Python编写一个简单的爬虫示例

import requests
from bs4 import BeautifulSoup

# 获取要爬取的网页链接(1-9表示翻页)
urls = [f'https://www.cnblogs.com/#p{i}' for i in range(1, 10)]

# 循环请求每个网页链接,并把请求到的页面内容返回
def crew():
    for url in urls:
        r = requests.get(url)
        return r.text

# 解析crew()函数返回的每个网页链接内容,并将符合参数中的要求匹配的内容过滤出来
def parse(html):
    soup = BeautifulSoup(html, 'html.parser')
    links = soup.find_all('a', class_='post-item-title')
    return [(link['href'], link.get_text()) for link in links]

if __name__ == '__main__':
    for ret in parse(crew()):
        print(ret)


### 网页爬虫的基本实现 Python 是一种非常适合编写网页爬虫语言,其简洁的语法和丰富的第三方库使得开发者能够快速构建功能强大的爬虫程序。实现网页爬虫主要涉及以下几个关键步骤和库的使用。 #### 发送 HTTP 请求 爬虫的第一步是向目标网站发送 HTTP 请求,以获取网页内容。常用的库是 `requests`,它可以轻松地模拟浏览器行为,获取网页的 HTML 内容。 ```python import requests url = "https://example.com" response = requests.get(url) html_content = response.text ``` 该方法可以获取网页的原始 HTML 数据,为后续的数据解析提供基础[^2]。 #### 解析 HTML 内容 获取网页内容后,需要从中提取所需的数据。常用的解析库包括 `BeautifulSoup` 和 `lxml`,它们可以将 HTML 文本解析为结构化的数据,便于提取特定信息。 ```python from bs4 import BeautifulSoup soup = BeautifulSoup(html_content, "html.parser") titles = soup.find_all("h1") for title in titles: print(title.get_text()) ``` 通过 `find_all` 方法可以提取所有指定标签的内容,适用于静态网页的数据抓取[^2]。 #### 动态网页爬取 对于使用 JavaScript 动态加载内容的网页,传统的 `requests` 和 `BeautifulSoup` 可能无法获取完整的页面数据。此时可以选择以下两种方式: 1. **解析接口**:通过浏览器开发者工具分析网络请求,直接请求数据接口,通常返回的是 JSON 格式的数据,便于解析和处理。 2. **Selenium**:使用自动化测试工具 `Selenium` 模拟浏览器操作,加载完整的网页内容。 ```python from selenium import webdriver driver = webdriver.Chrome() driver.get("https://example.com") dynamic_content = driver.page_source ``` 解析接口的方式更高效,推荐优先使用;Selenium 则适用于复杂动态页面的抓取[^3]。 #### 数据存储 爬取到的数据通常需要进行存储,常见的存储方式包括文本文件、CSV 文件、数据库等。`pandas` 是一个非常强大的数据处理库,可以将数据整理为结构化格式并导出为 CSV、Excel 等文件。 ```python import pandas as pd data = {"标题": [title.get_text() for title in titles]} df = pd.DataFrame(data) df.to_csv("titles.csv", index=False) ``` 通过 `pandas` 可以轻松地进行数据清洗、分析和导出。 #### 爬虫注意事项 在编写爬虫时,需要注意以下几点: - **遵守网站规则**:查看目标网站的 robots.txt 文件,确保爬虫行为符合网站的爬取政策。 - **设置合理请求间隔**:避免对目标网站造成过大压力,建议在请求之间加入随机延迟。 - **处理异常**:网络请求可能会失败,应加入异常处理机制,如超时重试、状态码判断等。 ```python try: response = requests.get(url, timeout=10) response.raise_for_status() # 检查请求是否成功 except requests.exceptions.RequestException as e: print("请求失败:", e) ``` 合理的异常处理可以提高爬虫的稳定性和容错能力[^3]。 #### 简单爬虫示例 下面是一个完整的简单爬虫示例,用于抓取网页中的标题内容并保存为 CSV 文件: ```python import requests from bs4 import BeautifulSoup import pandas as pd url = "https://example.com" response = requests.get(url) html_content = response.text soup = BeautifulSoup(html_content, "html.parser") titles = soup.find_all("h1") title_list = [title.get_text() for title in titles] data = {"标题": title_list} df = pd.DataFrame(data) df.to_csv("titles.csv", index=False) ``` 此示例展示了从请求、解析到存储的完整流程,适用于初学者理解和实践。 #### 实战案例 可以尝试爬取豆瓣电影 Top250、猫眼电影 Top100、全国高校名单等公开数据源,通过这些实战项目进一步掌握爬虫技巧[^1]。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值