Python爬虫入门：7个实战案例带你快速上手

包含编程籽料、学习路线图、爬虫代码、安装包等！【点击领取】

前言
在当今数据驱动的时代，网络爬虫已成为获取和分析网络数据的重要工具。Python凭借其简洁的语法和丰富的第三方库，成为了爬虫开发的首选语言。本文将介绍7个Python爬虫实战案例，从简单到复杂，带你快速掌握爬虫开发的核心技能。

案例1：静态网页抓取 - 获取豆瓣电影Top250

import requests
from bs4 import BeautifulSoup
import csv

def get_douban_top250():
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
    }
    base_url = "https://movie.douban.com/top250"
    
    with open('douban_top250.csv', 'w', newline='', encoding='utf-8') as f:
        writer = csv.writer(f)
        writer.writerow(['排名', '电影名称', '评分', '评价人数', '经典台词'])
        
        for start in range(0, 250, 25):
            url = f"{base_url}?start={start}"
            response = requests.get(url, headers=headers)
            soup = BeautifulSoup(response.text, 'html.parser')
            
            for item in soup.find_all('div', class_='item'):
                rank = item.find('em').text
                title = item.find('span', class_='title').text
                rating = item.find('span', class_='rating_num').text
                num = item.find('div', class_='star').find_all('span')[-1].text[:-3]
                quote = item.find('span', class_='inq').text if item.find('span', class_='inq') else '无'
                
                writer.writerow([rank, title, rating, num, quote])
                
    print("豆瓣Top250数据已保存到douban_top250.csv")

if __name__ == '__main__':
    get_douban_top250()

技术要点：

使用requests库发送HTTP请求

使用BeautifulSoup解析HTML

处理分页数据

数据存储到CSV文件

案例2：动态内容抓取 - 使用Selenium获取京东商品信息

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.service import Service
import time

def get_jd_product(keyword):
    # 设置Chrome驱动路径
    service = Service('chromedriver.exe')  # 替换为你的chromedriver路径
    driver = webdriver.Chrome(service=service)
    
    try:
        driver.get("https://www.jd.com")
        search_box = driver.find_element(By.ID, "key")
        search_box.send_keys(keyword)
        search_box.submit()
        
        time.sleep(3)  # 等待页面加载
        
        # 滚动页面以加载更多商品
        for _ in range(3):
            driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
            time.sleep(2)
        
        products = driver.find_elements(By.CSS_SELECTOR, ".gl-item")
        
        for i, product in enumerate(products[:10], 1):
            name = product.find_element(By.CSS_SELECTOR, ".p-name a").text
            price = product.find_element(By.CSS_SELECTOR, ".p-price strong").text
            print(f"{i}. {name} - 价格: {price}")
            
    finally:
        driver.quit()

if __name__ == '__main__':
    get_jd_product("Python编程书籍")

技术要点：

使用Selenium模拟浏览器操作

处理JavaScript渲染的动态内容

页面滚动加载更多数据

元素定位与交互

案例3：API接口抓取 - 获取天气数据

import requests
import json

def get_weather(city):
    url = f"http://wthrcdn.etouch.cn/weather_mini?city={city}"
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
    }
    
    try:
        response = requests.get(url, headers=headers)
        data = json.loads(response.text)
        
        if data['status'] == 1000:
            weather_info = data['data']
            print(f"城市: {weather_info['city']}")
            print(f"温度: {weather_info['wendu']}℃")
            print("预报:")
            for forecast in weather_info['forecast']:
                print(f"{forecast['date']}: {forecast['type']}, {forecast['high']}/{forecast['low']}, 风向: {forecast['fengxiang']}")
        else:
            print("获取天气信息失败")
    except Exception as e:
        print(f"发生错误: {e}")

if __name__ == '__main__':
    get_weather("北京")

技术要点：

直接调用API接口获取数据

处理JSON格式的响应

错误处理与异常捕获

案例4：登录验证 - 模拟登录GitHub

import requests
from bs4 import BeautifulSoup

def login_github(username, password):
    session = requests.Session()
    login_url = "https://github.com/login"
    session_url = "https://github.com/session"
    
    # 获取登录页面，提取authenticity_token
    response = session.get(login_url)
    soup = BeautifulSoup(response.text, 'html.parser')
    token = soup.find('input', {'name': 'authenticity_token'})['value']
    
    # 构造登录数据
    login_data = {
        'commit': 'Sign in',
        'authenticity_token': token,
        'login': username,
        'password': password
    }
    
    # 发送登录请求
    response = session.post(session_url, data=login_data)
    
    # 验证登录是否成功
    if response.url == "https://github.com/":
        print("登录成功!")
        # 获取用户信息
        profile_response = session.get(f"https://github.com/{username}")
        soup = BeautifulSoup(profile_response.text, 'html.parser')
        name = soup.find('span', {'itemprop': 'name'}).text.strip()
        print(f"欢迎, {name}!")
    else:
        print("

技术要点：

使用Session保持登录状态

处理表单和CSRF token

模拟登录流程

验证登录结果

案例5：图片爬取 - 下载Unsplash壁纸

import os
import requests
from bs4 import BeautifulSoup

def download_unsplash_images(keyword, count=10):
    url = f"https://unsplash.com/s/photos/{keyword}"
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
    }
    
    # 创建保存目录
    save_dir = f"unsplash_{keyword}"
    os.makedirs(save_dir, exist_ok=True)
    
    response = requests.get(url, headers=headers)
    soup = BeautifulSoup(response.text, 'html.parser')
    
    # 获取图片链接
    img_tags = soup.find_all('img', {'class': 'YVj9w'})[:count]
    
    for i, img in enumerate(img_tags, 1):
        img_url = img['src'] if 'src' in img.attrs else img['data-src']
        if not img_url.startswith('http'):
            continue
            
        try:
            img_data = requests.get(img_url, headers=headers).content
            with open(f"{save_dir}/{keyword}_{i}.jpg", 'wb') as f:
                f.write(img_data)
            print(f"已下载第{i}张图片")
        except Exception as e:
            print(f"下载第{i}张图片失败: {e}")

if __name__ == '__main__':
    download_unsplash_images("nature", 5)

技术要点：

批量下载网络图片

创建本地目录保存文件

处理图片URL

二进制文件写入

案例6：反爬虫应对 - 使用代理IP抓取数据

import requests
from fake_useragent import UserAgent
import random

def get_with_proxy(url, proxy_list):
    ua = UserAgent()
    headers = {'User-Agent': ua.random}
    
    for proxy in random.sample(proxy_list, len(proxy_list)):
        try:
            response = requests.get(
                url,
                headers=headers,
                proxies={"http": proxy, "https": proxy},
                timeout=10
            )
            if response.status_code == 200:
                return response.text
        except:
            continue
            
    return None

def scrape_with_anti_anti_spider():
    # 示例代理列表（实际使用时需要获取有效的代理IP）
    proxy_list = [
        'http://123.456.789.101:8080',
        'http://111.222.333.444:8888',
        # 添加更多代理IP...
    ]
    
    target_url = "https://www.example.com/data"  # 替换为目标网站
    
    html = get_with_proxy(target_url, proxy_list)
    if html:
        print("成功获取数据")
        # 在这里处理获取到的HTML数据
    else:
        print("获取数据失败")

if __name__ == '__main__':
    scrape_with_anti_anti_spider()

技术要点：

使用随机User-Agent

代理IP轮换

异常处理和重试机制

应对反爬虫策略

案例7：Scrapy框架实战 - 构建知乎热榜爬虫

首先安装Scrapy：

pip install scrapy

然后创建Scrapy项目：

scrapy startproject zhihu_hot
cd zhihu_hot

修改items.py：

import scrapy

class ZhihuHotItem(scrapy.Item):
    rank = scrapy.Field()
    title = scrapy.Field()
    hot_score = scrapy.Field()
    url = scrapy.Field()

创建spiders/zhihu_spider.py：

import scrapy
from zhihu_hot.items import ZhihuHotItem

class ZhihuSpider(scrapy.Spider):
    name = 'zhihu'
    allowed_domains = ['www.zhihu.com']
    start_urls = ['https://www.zhihu.com/hot']
    
    def parse(self, response):
        items = response.css('.HotItem')
        for item in items:
            zhihu_item = ZhihuHotItem()
            zhihu_item['rank'] = item.css('.HotItem-rank::text').get()
            zhihu_item['title'] = item.css('.HotItem-title::text').get()
            zhihu_item['hot_score'] = item.css('.HotItem-metrics::text').get()
            zhihu_item['url'] = item.css('.HotItem-content a::attr(href)').get()
            yield zhihu_item

修改settings.py添加以下配置：

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
ROBOTSTXT_OBEY = False
DOWNLOAD_DELAY = 2
FEED_FORMAT = 'json'
FEED_URI = 'zhihu_hot.json'

运行爬虫：

scrapy crawl zhihu

技术要点：

Scrapy框架的基本使用

项目结构与组件

Item定义与数据处理

选择器与CSS选择器

结果导出

爬虫开发注意事项
遵守robots.txt协议：在爬取网站前检查robots.txt文件，了解网站的爬取限制

设置合理的请求间隔：避免对目标网站造成过大压力

处理异常情况：网络错误、页面结构变化等情况需要妥善处理

尊重版权和隐私：不要爬取敏感或受版权保护的数据

用户代理设置：使用合理的User-Agent标识你的爬虫

数据存储考虑：根据数据量选择合适的存储方式（CSV、数据库等）

结语
通过这7个实战案例，我们从简单的静态页面抓取到复杂的动态内容获取，从基础请求到框架使用，逐步掌握了Python爬虫开发的各项技能。爬虫技术的学习是一个不断实践和积累经验的过程，希望这些案例能为你提供良好的起点。

最后：
希望你编程学习上不急不躁,按照计划有条不紊推进,把任何一件事做到极致,都是不容易的,加油,努力！相信自己！

文末福利
最后这里免费分享给大家一份Python全套学习资料，希望能帮到那些不满现状，想提升自己却又没有方向的朋友，也可以和我一起来学习交流呀。

包含编程资料、学习路线图、源代码、软件安装包等！【点击这里】领取！
① Python所有方向的学习路线图，清楚各个方向要学什么东西
② 100多节Python课程视频，涵盖必备基础、爬虫和数据分析
③ 100多个Python实战案例，学习不再是只会理论
④ 华为出品独家Python漫画教程，手机也能学习

在这里插入图片描述