Python爬虫：原理与实战

引言

        在当今的信息时代，互联网上的数据如同浩瀚的海洋，充满了无尽的宝藏。Python爬虫作为一种高效的数据抓取工具，能够帮助我们轻松地获取这些数据，并进行后续的分析和处理。本文将深入探讨Python爬虫的原理，并结合实战案例，帮助读者快速掌握爬虫技术。

一、Python爬虫原理

1、爬虫是什么？

如果我们把互联网比作一张大的蜘蛛网，数据便是存放于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛，沿着网络抓取自己的猎物（数据）爬虫指的是：向网站发起请求，获取资源后分析并提取有用数据的程序。

从技术层面来说就是 通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬到本地，进而提取自己需要的数据，存放起来使用；

2、爬虫的基本流程

Python爬虫的核心原理是通过模拟浏览器的行为，自动访问目标网站，并抓取其中的数据。这个过程主要包括以下几个步骤：

  1. 发送请求：使用Python中的第三方库（如requests）向目标网站发送HTTP请求，获取网页的HTML代码。
  2. 解析网页：利用Python的解析库（如BeautifulSoup、lxml等）对获取的HTML代码进行解析，提取出所需的数据。
  3. 存储数据：将解析得到的数据存储到本地文件、数据库或其他存储介质中，以便后续分析和处理。

用户获取网络数据的方式：

方式1：浏览器提交请求--->下载网页代码--->解析成页面

方式2：模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中

爬虫要做的就是方式2。

图片

1、发起请求

使用http库向目标站点发起请求，即发送一个Request

Request包含：请求头、请求体等 

Request模块缺陷：不能执行JS 和CSS 代码

2、获取响应内容

如果服务器能正常响应，则会得到一个Response

Response包含：html，json，图片，视频等

3、解析内容

解析html数据：正则表达式（RE模块），第三方解析库如Beautifulsoup，pyquery等

解析json数据：json模块

解析二进制数据:以wb的方式写入文件

4、保存数据

数据库（MySQL，Mongdb、Redis）

文件

接下来，我们将通过一个实战案例来演示如何使用Python爬虫抓取目标网站的数据。

3、客户端HTTP请求格式

        在网络传输中HTTP协议非常重要，该协议规定了客户端和服务器端请求和应答的标准。HTTP协议能保证计算机正确快速地传输超文本文档，并确定了传输文档中的哪一部分，以及哪一部分内容首先显示（如文本先于图形）等。
根据HTTP协议的规定，客户端发送了一个HTTP请求到服务器的请求消息，由请求行、请求头部、空行以及请求数据四个部分组成。

下面结合一个典型的HTTP请求示例，详细介绍HTTP请求信息的各个组成部分：

Get https://www.baidu.com/ HTTP/1.1
Host: www.baidu.com
Connection: keep-alive
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,/;q=0.8,application/signed-exchange;v=b3;q=0.7
Referer: https://www.baidu.com/link?url=8vUrPYDUaSkXWxUEOlT8QhvB5kMr1o6I27EP0NJICmG&wd=&eqid=e69078350001654000000003641051fc
Accept-Encoding: gzip, deflate, br
Accept-Language: zh-CN,zh;q=0.9
Cookie: BIDUPSID=498703BAB592E42B1A4200A2F69121AD; PSTM=1657099499; MCITY=-291%3A; BAIDUID=498703BAB592E42BC6776C4114ED28E6:SL=0:NR=10:FG=1; BD_UPN=12314753; BDUSS=J5OEFjZ3pBb05tR3QxNUo0TEVJdjVpYzQ5Q2FORC04TnlrMHhFYkhRMnNKeGxrRVFBQUFBJCQAAAAAAQAAAAEAAAAXv8pawrfIy73U1qpUYQAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAKya8WOsmvFjLT; BDUSS_BFESS=J5OEFjZ3pBb05tR3QxNUo0TEVJdjVpYzQ5Q2FORC04TnlrMHhFYkhRMnNKeGxrRVFBQUFBJCQAAAAAAQAAAAEAAAAXv8pawrfIy73U1qpUYQAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAKya8WOsmvFjLT;

（1）请求行
第一行为请求行，包含了请求的方法，URL地址和协议版本。GET是请求方法，https：//www.baidu.com是URL地址，HTTP/1.1指定了协议版本。
不同的请求方法含义不同，如下：

序号   方法   描述
1   GET   请求指定的页面信息，并返回实体主体
2   POST   向指定资源提交数据进行处理请求（如提交表单或者上传文件），数据被包含在请求体中。Post请求可能会导致新的资源的建立和已有资源的修改
3   HEAD   类似于GET请求，只不过返回的响应中没有具体的内容，用于获取报头
4   PUT   这种请求方式下，从客户端向服务器传送的数据取代指定的文档的内容
5   DELETE   请求服务器删除指定的页面
6   CONNECT   HTTP1.1协议中预留给能够将连接改为管道方式的代理服务器
7   OPTIONS   允许客服端查看服务器的性能
8   TRACE   回显服务器收到的请求，主要用于测试或诊断

 其中GET和POST请求最常用，区别在于：

GET是从服务器上获取指定页面信息，POST是向服务器提交数据并获取页面信息。

GET请求参数都显示在URL上，服务器根据该请求所包含URL中的参数来产生响应内容。由于请求参数都暴露在外，所以安全性不高。

POST请求参数在请求体中，消息长度没有限制而且采取隐式发送，通常用来向HTTP服务器提交量比骄大的数据（如请求中包含许多参数或者文件上传的操作）POST请求的参数不在URL中，而在请求体中，在安全性方面比GET请求要高。

（2）请求报头
请求行下是若干个请求报头，下面介绍常用的请求报头及含义：

Host（主机和端口号）：指定被请求的资源的Internet主机和端口号，对应网址URL中的Web名称和端口号，通常属于URL的Host部分。
Connection(连接类型）：表示客户端与服务端的连接类型。
Upgrade-Insecure-Requests(升级为HTTPS请求）：表示升级不安全的请求，会在加载HTTP资源时自动替换成HTTPS请求，让浏览器不再显示HTTPS页面中的HTTP请求警报。HTTPS时以安全为目标的HTTP通道，所以在HTTPS承载的页面上不允许出现HTTP请求，一旦出现就会提示或报错。
User-Agent(浏览器名称）：表示客户端身份的名称，通常页面会根据不同的User-Agent信息自动做出适配，甚至返回不同的响应内容。
Accept(传输文件类型）：指浏览器或其他客户端可以接受的MIME(Multipurpose Internet Mail Extensions,多用途因特网邮件扩展)文件类型，服务器可以根据他判断并返回适当的文件格式
Referer(页面跳转来源）：表明产生请求的网页来自于哪个URL，用户是从该Referer页面访问到当前请求的页面。这个属性可以用来跟踪Web请求来自哪个页面，是从什么网站下载下来的，有时下载某网站的图片时，需要对应的Referer，否则是无法下载图片，那是因为做了防盗链。原理就是根据Referer去判断URL是否是本网站的地址，如果不是，则拒绝，如果是，就可以下载。

4. 服务器HTTP响应格式

HTTP响应报文由四部分组成，分别是状态行，响应报头，空行和响应正文。

响应状态码
响应状态码由3位数字组成，其中第一位数字定义了响应的类别，有5种可能取值，常见的响应状态码如下：
100~199：表示服务器成功接收部分请求，要求客户端继续提价奥其余请求才能完成整个处理过程。
200~299：表示服务器成功接受请求并已完成整个处理过程。常用的状态码为200（表示OK，请求成功）。
200~399：为完成请求，客户需进一步细化请求。例如，请求的资源已经移动到一个新的地址。常用状态码包括302（表示所请求的页面已经临时转移至新的URL）、307和304（表示使用缓存资源）。
400~499：客户端的请求有错误，常用状态码包括404（表示服务器无法找到被请求的页面）和403（表示服务器拒绝访问，权限不够）。
500~599：服务器端出现错误，常用的状态码为500（表示请求未完成，服务器遇到不可预知的情况）。
 

二、Python爬虫实战

2、实战案例：抓取豆瓣电影Top250榜单

1. 发送请求

首先，我们需要向豆瓣电影Top250榜单的URL发送请求，获取网页的HTML代码。这里我们使用requests库来实现：

import requests  url = 'https://movie.douban.com/top250'  
headers = {  'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}  
response = requests.get(url, headers=headers)  
html = response.text
2. 解析网页

接下来，我们需要对获取的HTML代码进行解析，提取出电影榜单的数据。这里我们使用BeautifulSoup库来实现：

from bs4 import BeautifulSoup  soup = BeautifulSoup(html, 'lxml')  
movie_list = soup.find_all('div', class_='item')  for movie in movie_list:  title = movie.find('span', class_='title').text  info = movie.find('p').text.strip().split('\n')  rating_num = float(movie.find('span', class_='rating_num').text)  print(f'标题：{title}')  print(f'信息：{info}')  print(f'评分：{rating_num}')  print('----')
3. 存储数据

最后，我们可以将解析得到的数据存储到本地文件中，以便后续分析和处理：

with open('douban_top250.txt', 'w', encoding='utf-8') as f:  for movie in movie_list:  title = movie.find('span', class_='title').text  info = movie.find('p').text.strip().split('\n')  rating_num = float(movie.find('span', class_='rating_num').text)  f.write(f'标题：{title}\n')  f.write(f'信息：{info}\n')  f.write(f'评分：{rating_num}\n')  f.write('----\n')
三、注意事项与总结

在使用Python爬虫时，我们需要注意以下几点：

  1. 遵守robots.txt协议：在爬取网站数据时，要遵守目标网站的robots.txt协议，避免对网站造成不必要的负担。
  2. 设置合理的请求频率和间隔时间：为了避免对目标网站造成过大的压力，我们需要设置合理的请求频率和间隔时间。
  3. 处理反爬虫机制：一些网站会采用反爬虫机制来防止数据被抓取，我们需要采取相应的措施来绕过这些机制。
  4. 尊重数据版权：在爬取和使用数据时，要尊重数据的版权和隐私，避免侵犯他人的权益。

总结来说，Python爬虫是一种强大的数据抓取工具，通过掌握其原理和实战技巧，我们可以轻松地获取互联网上的数据，并进行后续的分析和处理。然而，在使用爬虫时，我们也需要遵守相关的规定和注意事项，确保数据的合法性和安全性。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/276812.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

AHU 汇编 实验二

AHU 汇编 实验二

一、实验名称：实验二 不同寻址方式的灵活运用 二、实验内容：定义数组a[6]，用多种寻址方式访问对应元素，实现（a[0]a[1]）*(a[2]-a[3])/a[4],将结果保存在内存a[5]中，用debug查询结果。 实验过程&a…
阅读更多...
19 OpenCV 霍夫曼变换检测圆

19 OpenCV 霍夫曼变换检测圆

文章目录 cv::HoughCircles算子参数示例 cv::HoughCircles 因为霍夫圆检测对噪声比较敏感，所以首先要对图像做中值滤波。 基于效率考虑，Opencv中实现的霍夫变换圆检测是基于图像梯度的实现，分为两步： 检测边缘，发现可能…
阅读更多...
空气源热泵、地源热泵和水源热泵三种热泵的优缺点和选型比较

空气源热泵、地源热泵和水源热泵三种热泵的优缺点和选型比较

空气源热泵 空气源热泵是由电动机驱动的，利用空气中的热量作为低温热源，经过空调冷凝器或蒸发器进行热交换，然后通过循环系统，提取或释放热能，利用机组循环系统将能量转移到建筑物内用户需求。 1、适用范围广：适用温度范围在-7至40℃,并且一年四季全天候使用，不受阴、…
阅读更多...
鸿蒙Harmony应用开发—ArkTS声明式开发（基础手势：PluginComponent）

鸿蒙Harmony应用开发—ArkTS声明式开发（基础手势：PluginComponent）

提供外部应用组件嵌入式显示功能，即外部应用提供的UI可在本应用内显示。 说明： 该组件从API Version 9开始支持。后续版本如有新增内容，则采用上角标单独标记该内容的起始版本。本组件为系统接口。 子组件 无 接口 PluginComponent(value:…
阅读更多...
【调参】如何为神经网络选择最合适的学习率lr-LRFinder-for-Keras

【调参】如何为神经网络选择最合适的学习率lr-LRFinder-for-Keras

【调参】如何为神经网络选择最合适的学习率lr-LRFinder-for-Keras_学习率选择-CSDN博客文章浏览阅读9.2k次，点赞6次，收藏55次。keras 版本的LRFinder，借鉴 fast.ai Deep Learning course。前言学习率lr在神经网络中是最难调的全局参数&#x…
阅读更多...
Soft Robotics 变结构手掌和变刚度手指的仿人软体手的人机交互操作-武科大ESIR课题组师兄成果

Soft Robotics 变结构手掌和变刚度手指的仿人软体手的人机交互操作-武科大ESIR课题组师兄成果

一、引言 在当今的机器人技术领域，人类对机器人的需求日益增长，涉及到工业生产、医疗护理、服务业等各个领域。然而，由于任务的多样性和复杂性，单独依靠自主机器人操作往往难以满足实际需求。为了解决这一问题，人机协作…
阅读更多...
详细分析Java中Stream流和for循环的差异之处

详细分析Java中Stream流和for循环的差异之处

目录 前言1. 基本知识2. Demo 前言 事情起因是遍历大数据的时候，数据卡顿很严重 对于Java的基本知识推荐阅读：java框架 零基础从入门到精通的学习路线 附开源项目面经等（超全） 1. 基本知识 在Java中，Stream API提供…
阅读更多...
perl 用 XML::LibXML DOM 解析 Freeplane.mm文件，生成测试用例.csv文件

perl 用 XML::LibXML DOM 解析 Freeplane.mm文件，生成测试用例.csv文件

Freeplane 是一款基于 Java 的开源软件，继承 Freemind 的思维导图工具软件，它扩展了知识管理功能，在 Freemind 上增加了一些额外的功能，比如数学公式、节点属性面板等。 在云计算中，解析XML元素和属性是一种常见的操作…
阅读更多...
基础：TCP是什么？

基础：TCP是什么？

1. TCP 是什么？ TCP（Transmission Control Protocol 传输控制协议） 是一种面向连接的、可靠的、基于字节流的传输层通信协议，由IETF的RFC 793 [1]定义。 TCP旨在适应支持多网络应用的分层协议层次结构。连接到不同但互连的计算机…
阅读更多...
第十四届校模拟赛第一期（一）

第十四届校模拟赛第一期（一）

“须知少时凌云志，自许人间第一流” 鄙人11月八号有幸参加学校校选拔赛，题型为5道填空题，5道编程题，总时间为4小时。奈何能力有限，只完成了5道填空和3道编程大题，现进行自省自纠，分享学习&#…
阅读更多...
基于Python django的人脸识别门禁系统，附源码

基于Python django的人脸识别门禁系统，附源码

博主介绍：✌程序员徐师兄、7年大厂程序员经历。全网粉丝12w、csdn博客专家、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java、Python技术领域和毕业项目实战✌ 🍅文末获取源码联系🍅 👇🏻 精彩专栏推荐订阅&…
阅读更多...
服务器数据恢复—服务器硬盘灯显示红色的数据恢复案例

服务器数据恢复—服务器硬盘灯显示红色的数据恢复案例

服务器数据恢复环境&故障： 一台服务器中有一组由多块硬盘组建的raid阵列，在运行过程中服务器突然崩溃，管理员检查服务器发现该服务器raid阵列中有两块硬盘的指示灯显示红色。于是，管理员重启服务器，服务器重启后&a…
阅读更多...
CIDR网络地址、广播地址、网段区间计算说明与计算工具

CIDR网络地址、广播地址、网段区间计算说明与计算工具

文章目录 开始问题参考答案 答案解析计算工具测试 开始 好久没有看计算网络，感觉已经完全返给老师了。 最近，有同事遇到个问题，网络一直不对，又开始重新看一下。 相信很多朋友长时间不看也忘了，所以，这里…
阅读更多...
常见的软件系统性能测试指标

常见的软件系统性能测试指标

常见的软件系统性能测试指标 衡量一个软件系统性能的好坏，在性能测试中会使用一些性能指标来进行分析和描述，以下是一些最常用的性能指标。 1.2.1 响应时间 请求或者某个操作从发出的时间到收到服务器响应的时间的差值就是响应时间。在性能测试中&am…
阅读更多...
sqllab第二十三关通关笔记

sqllab第二十三关通关笔记

知识点： mysqli_query() 返回值为资源型或布尔型如果内容为查询语句则返回资源型数据；如果内容为插入、更新、删除等语句则返回布尔类型结果mysql_fetch_array() 从结果集中取出一行作为关联数组或数字数组输入内容为指定查询的结果集单引号闭合绕过联…
阅读更多...
位运算#蓝桥杯

位运算#蓝桥杯

位运算#蓝桥杯 文章目录 位运算#蓝桥杯1、小蓝学位运算2、异或森林3、位移4、笨笨的机器人5、博弈论 1、小蓝学位运算 #include<bits/stdc.h> using namespace std; using LL long long; const LL N 1e97; template<int kcz> struct ModInt { #define T (*this)…
阅读更多...
C# Chart曲线控件专题

C# Chart曲线控件专题

1.控件基本设置 chart1.ChartAreas[0].AxisY.IsStartedFromZero false; //设置Y轴自适应chart1.Series["瞬时值"].BorderWidth 2; // 设置曲线宽度为2个像素&#xff0c;注意[]中写入的Series的Namechart1.Series["瞬时值"].Color Color.Red; // 设置曲…
阅读更多...
解决：黑马webpack视频中出现的问题总结

解决：黑马webpack视频中出现的问题总结

问题 1 ERROR in main Module not found: Error: Can‘t resolve ‘./src‘ 解决 Webpack 中 ERROR in main Module not found: Error: Can‘t resolve ‘./src‘ 问题 黑马AJAX-Node.js-Webpack教学视频&#xff08;BV1MN411y7pw 其中P98&#xff09;中webpack部分&#xff0c…
阅读更多...
OCP NVME SSD规范解读-12.Telemetry日志要求

OCP NVME SSD规范解读-12.Telemetry日志要求

以NVME SSD为例&#xff0c;通常大家想到的是观察SMAR-log定位异常&#xff0c;但是这个信息在多数情况下无法只能支撑完整的定位链路。 定位能力的缺失和低效是数据中心问题解决最大的障碍。 为了解决这个问题&#xff0c;Meta的做法是推进OCP组织加入延迟记录页面。同时NVME协…
阅读更多...
设计模式——结构型模式

设计模式——结构型模式

结构型模式描述如何将类或对象按某种布局组成更大的结构。它分为类结构型模式和对象结构型模式&#xff0c;前者采用继承机制来组织接口和类&#xff0c;后者釆用组合或聚合来组合对象。 由于组合关系或聚合关系比继承关系耦合度低&#xff0c;满足“合成复用原则”&#xff0…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023