Python爬虫——入门爬取网页数据

news2024/11/25 11:14:59

前言

一、Python爬虫入门

二、使用代理IP

三、反爬虫技术

1. 间隔时间

2. 随机UA

3. 使用Cookies

四、总结

前言

本文介绍Python爬虫入门教程，主要讲解如何使用Python爬取网页数据，包括基本的网页数据抓取、使用代理IP和反爬虫技术。

一、Python爬虫入门

Python是一门非常适合爬虫的编程语言。它具有简单易学、代码可读性高等优点，而且Python爬虫库非常丰富，使用Python进行爬虫开发非常方便。

我们先来看一个简单的Python爬虫程序，爬取一个网页的标题：

import requests
from bs4 import BeautifulSoup

# 发送HTTP请求
url = 'http://www.baidu.com/'
response = requests.get(url)

# 解析HTML文档
soup = BeautifulSoup(response.text, 'html.parser')
title = soup.title

# 输出结果
print('网页标题：', title.string)

在这个程序中，我们使用了requests库来发送HTTP请求，并使用BeautifulSoup库来解析HTML文档。通过这两个库，我们可以轻松地获取网页数据，进而进行数据分析和处理。

二、使用代理IP

有些网站可能会封禁某个IP地址，这时我们需要使用代理IP来隐藏真实IP地址。使用代理IP的方法很简单，只需向requests库的get()或post()方法传递proxies参数即可。

下面是一个使用代理IP的Python爬虫程序，爬取一个网站的代理IP：

import requests
from bs4 import BeautifulSoup

# 设置代理IP
proxies = {
  'http': 'http://127.0.0.1:8080',
  'https': 'http://127.0.0.1:8080'
}

# 发送HTTP请求
url = 'http://www.zdaye.cn/freeproxy.html'
response = requests.get(url, proxies=proxies)

# 解析HTML文档
soup = BeautifulSoup(response.text, 'html.parser')
trs = soup.select('.table tbody tr')

# 输出结果
for tr in trs:
    tds = tr.select('td')
    ip = tds[0].string
    port = tds[1].string
    print('{}:{}'.format(ip, port))

在这个程序中，我们设置了一个代理IP，然后使用requests库发送HTTP请求，传递了proxies参数。接着我们解析HTML文档，使用BeautifulSoup库找到了代理IP，并输出了结果。

三、反爬虫技术

有些网站为了防止被爬虫抓取，会采取一些反爬虫技术，如设置限流、验证码等。为了绕过这些反爬虫技术，我们需要使用一些技巧。

1. 间隔时间

我们可以通过设置间隔时间来减小对目标网站的压力，缓解反爬虫措施带来的影响。代码实现如下：

import requests
import time

# 发送HTTP请求
url = 'http://www.baidu.com/'
while True:
    response = requests.get(url)
    print(response.text)
    time.sleep(5)  # 每隔10秒钟发送一次请求

在这段代码中，我们使用了time库来让程序等待5秒钟，然后再继续发送HTTP请求。

2. 随机UA

有些网站会根据User-Agent来判断是否是爬虫程序，我们可以通过随机User-Agent的方法，来让我们的爬虫程序更难被发现。代码实现如下：

import requests
from fake_useragent import UserAgent

# 获取随机User-Agent
ua = UserAgent()
headers = {
    'User-Agent': ua.random
}

# 发送HTTP请求
url = 'http://www.baidu.com/'
response = requests.get(url, headers=headers)
print(response.text)

在这段代码中，我们使用了fake_useragent库来生成随机的User-Agent，然后将其设置到HTTP请求的headers中。

3. 使用Cookies

有些网站会根据用户的Cookies来判断是否是爬虫程序，我们可以通过获取网站的Cookies，然后将其设置到我们的爬虫程序中，来伪装成正常用户。代码实现如下：

import requests

# 发送HTTP请求
url = 'http://www.baidu.com/'
response = requests.get(url)

# 获取Cookies
cookies = response.cookies

# 设置Cookies
headers = {
    'Cookies': cookies
}

# 发送HTTP请求
url = 'http://www.baidu.com/'
response = requests.get(url, headers=headers)
print(response.text)

在这段代码中，我们先发送HTTP请求获取了网站的Cookies，然后将其设置到HTTP请求的headers中。