15分钟学 Python 第35天：Python 爬虫入门（一）

news2024/10/4 9:23:22

Day 35 : Python 爬虫简介

1.1 什么是爬虫？

网页爬虫（Web Crawler）是自动访问互联网并提取所需信息的程序。爬虫的主要功能是模拟用户通过浏览器访问网页的操作，从而实现对网页内容的批量访问与信息提取。它们广泛应用于数据收集、市场研究、搜索引擎、社交媒体分析等多个领域。

爬虫的定义与应用

网页爬虫是一种程序，其功能是自动抓取和检索互联网信息。它的工作过程通常分为以下几个步骤：

步骤	描述
发送请求	通过网络请求（HTTP/HTTPS协议）访问网页
获取响应	服务器返回网页的HTML文档
解析数据	提取需要的信息（如文本、图片链接等）
存储数据	将提取的信息保存到本地或数据库中

常见的爬虫应用场景包括：

搜索引擎：Google、Bing等通过爬虫获取网页信息以建立索引。
数据分析：通过抓取社交媒体数据，分析用户行为和趋势。
价格监控：电商网站的商品价格跟踪与比较。
新闻聚合：从多个新闻网站抓取并汇总新闻信息。

爬虫的工作原理

一个标准的爬虫系统工作流程如下所示：

发送请求：用户指定的目标URL，爬虫通过HTTP协议发送请求以获取网页内容。
获取响应：目标服务器处理请求并返回响应，通常包括HTML文档。
解析数据：爬虫使用诸如BeautifulSoup、lxml等工具解析网页，提取所需的数据。
存储数据：将解析后的数据存储到本地文件或数据库中，供后续使用。
重复操作：根据需求，爬虫可以遍历多个页面，继续提取数据。

下面是一个爬虫工作流程的简化示意图：

+------------------+
|   发送请求      |
| (requests.get()) |
+--------+---------+
         |
         v
+------------------+
|   获取响应      |
| (response.text)  |
+--------+---------+
         |
         v
+------------------+
|   解析网页内容  |
| (BeautifulSoup)  |
+--------+---------+
         |
         v
+------------------+
|   提取数据      |
| (soup.find())    |
+--------+---------+
         |
         v
+------------------+
|   存储数据      |
| (保存到文件/数据库)|
+------------------+

1.2 Python 爬虫的优势

Python被广泛认为是编写爬虫的理想语言，其优势主要包括：

简单易学：Python的语法简洁，适合初学者学习和使用。
丰富的第三方库：Python拥有众多强大的爬虫库，如：
- requests：用于发送HTTP请求并处理响应。
- BeautifulSoup：用于解析HTML/XML文档，提取数据。
- Scrapy：一个强大的爬虫框架，支持调度、数据存储等功能。
- Selenium：用于模拟浏览器操作，抓取动态内容。

示例代码

以下是一个简单的Python爬虫示例，展示如何使用requests库发送GET请求，并用BeautifulSoup解析获取的网页内容：

import requests
from bs4 import BeautifulSoup

# 目标网站URL
url = 'http://example.com'

# 发送 GET 请求
response = requests.get(url)

# 检查响应状态
if response.status_code == 200:
    # 解析 HTML 内容
    soup = BeautifulSoup(response.text, 'html.parser')
    
    # 提取网页标题
    title = soup.title.string
    print(f"网页标题: {title}")
    
    # 提取所有链接
    links = soup.find_all('a')
    for link in links:
        print(f"链接地址: {link.get('href')}, 链接文本: {link.string}")
else:
    print("请求失败，状态码:", response.status_code)

代码解析

导入库：使用requests和BeautifulSoup进行请求和解析。
发送请求：使用requests.get()方法获取网页响应。
状态检查：如果状态码为200，表示请求成功。
解析网页：使用BeautifulSoup解析响应文本，并提取网页标题和所有链接。

代码运行流程图

下面的流程图进一步描述了爬虫的工作流程，帮助理解各个步骤：

+------------------+
|   发送请求      |
| (requests.get()) |
+--------+---------+
         |
         v
+------------------+
|   获取响应      |
| (response.text)  |
+--------+---------+
         |
         v
+------------------+
|   解析网页内容  |
| (BeautifulSoup)  |
+--------+---------+
         |
         v
+------------------+
|   提取数据      |
| (soup.find())    |
+--------+---------+
         |
         v
+------------------+
|   存储数据      |
| (存入文件/数据库)|
+------------------+

1.3 爬虫的法律与伦理

爬虫的法律法规

在开发和使用爬虫过程中，需要遵循一些法律法规，以确保合规和道德。以下是一些重要的法律考量：

robots.txt文件：大多数网站会在其根目录下提供robots.txt文件，指示爬虫哪些页面可以访问，哪些不可以。遵循该文件的规范是非常重要的。
版权问题：未经允许抓取和使用他人网站的内容可能涉及版权侵权，使用时应谨慎。
数据隐私：收集用户数据时，考虑数据隐私法规（如GDPR）至关重要。