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.mzph.cn/news/749253.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩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

企业的数据治理如何评估

企业的数据治理如何评估

在数字化时代，企业对数据的管理和利用已经成为了一个关键的竞争力。通过有效的数据治理，企业能够更好地理解、分析和应用数据，从而提升决策的准确性和效率。然而，要构建一个高效可靠的数据管理体系，并进行评估&#xf…
阅读更多...
acp认证考试费用多少？

acp认证考试费用多少？

2023年阿里云大数据ACP认证费用为1200元。请注意，此费用涵盖一次考试机会，若未能通过考试，需要重新缴费才能再次参加考试。 二、考试方式与地点 阿里云大数据ACP认证考试采用线上或线下考试方式。无论你身在何处，都可以方便地参…
阅读更多...
Docker环境快速搭建RocketMq

Docker环境快速搭建RocketMq

window上面安装： 1.Namesrv docker pull rocketmqinc/rocketmq创建C:/docker/rocketmq/data/namesrv/logs:/root/logs C:/docker/rocketmq/data/namesrv/store:/root/store 目录 namesrv: docker run -d --restartalways --name rmqnamesrv -p 9876:9876 -v C:/do…
阅读更多...
kkview远程控制: 内网远程桌面控制软件

kkview远程控制: 内网远程桌面控制软件

内网远程桌面控制软件：高效、安全的远程管理方案 在信息技术日新月异的今天，内网远程桌面控制软件已成为许多企业和个人用户不可或缺的工具。这类软件允许用户通过内部网络，实现对其他计算机的远程访问和控制，从而大大提高工作效…
阅读更多...
LLM大语言模型（七）：部署ChatGLM3-6B并提供HTTP server能力

LLM大语言模型（七）：部署ChatGLM3-6B并提供HTTP server能力

目录 HighLight 部署ChatGLM3-6B并开启HTTP server能力 下载embedding模型bge-large-zh-v1.5 HTTP接口问答示例 LLM讲了个尴尬的笑话~ HighLight 将LLM服务化（如提供HTTP server能力），才能在其上构建自己的应用。 部署ChatGLM3-6B并开启…
阅读更多...
[Windows] Win11 常用快捷键

[Windows] Win11 常用快捷键

文章目录 🚀 [Windows] Win11 常用快捷键🌐 Windows 操作系统🔥 Windows 11 🌐 Windows 11 快捷键概览🔥 基本快捷键🔥 窗口快捷键🔥 功能快捷键 📝 小结 🚀 [Windows] W…
阅读更多...
工欲善其事，必先利其器，Markdown和Mermaid的梦幻联动（2）

工欲善其事，必先利其器，Markdown和Mermaid的梦幻联动（2）

该文章Github地址：https://github.com/AntonyCheng/typora-notes/tree/master/chapter03-mermaid 在此介绍一下作者开源的SpringBoot项目初始化模板（Github仓库地址：https://github.com/AntonyCheng/spring-boot-init-template & CSDN文…
阅读更多...
C#编程语言在软件开发中的深度应用与实践

C#编程语言在软件开发中的深度应用与实践

C#编程语言在软件开发中的深度应用与实践 一、引言 C#是一种现代、通用、面向对象的编程语言，由微软公司开发，并作为.NET框架的主要编程语言。它广泛应用于桌面应用程序、游戏开发、Web服务和云计算等多个领域。本文将探讨使用C#进行软件开发的深层次思路…
阅读更多...
QT6 界面中嵌入第三方程序中的窗口

QT6 界面中嵌入第三方程序中的窗口

本文描述QT6 界面中嵌入第三方程序中的窗口。 第三方程序也是用QT6编写。 QT的编译器版本都为QT6.2.4 MSVC2019 64 bit 第三方程序为QT写的能调试成功。但不是QT写的还不可以。 使用场景:将软件分成几个模块，多人写或者一个人先后写。 1.头文件 #ifndef PAREN…
阅读更多...
数字航海与网络深渊：探索出海策略中的技术维度

数字航海与网络深渊：探索出海策略中的技术维度

在这个数字化加速的时代，"出海"已经成为企业寻求新机遇、拓展全球视野的关键行动。而在这一进程中，SOCKS5代理、代理IP、跨界电商、游戏技术以及网络安全构成了出海航程中的核心技术舵手。这些技术不仅是航行工具，更是深渊中的指南…
阅读更多...
ChatGPT 遇到对手：Anthropic Claude 语言模型的崛起

ChatGPT 遇到对手：Anthropic Claude 语言模型的崛起

ChatGPT 遇到对手：Anthropic Claude 语言模型的崛起 。 这个巨大的上下文容量使 Claude 2.1 能够处理更大的数据体。用户可以提供复杂的代码库、详细的财务报告或广泛的作品作为提示。然后 Claude 可以连贯地总结长文本，基于文档进行彻底的问答&#x…
阅读更多...
“技多不压身”是什么意思？看完这篇文章你会明白：有了手艺，走遍天下都不怕！

“技多不压身”是什么意思？看完这篇文章你会明白：有了手艺，走遍天下都不怕！

“技多不压身”是什么意思？看完这篇文章你会明白：有了手艺，走遍天下都不怕！ 咱们的老祖宗流传一句话：“一招鲜，吃遍天。”这话说得直白，却道出了学一门手艺或技术对于人生的重要性。“李秘书讲…
阅读更多...
系统设计学习（四）海量数据

系统设计学习（四）海量数据

十一，百亿数据中找中位数 桶/计数排序思想 根据数据的特征，比如数据落在某个固定范围内，可以使用桶排序或计数排序的思想。通过统计每个桶内元素的数量，我们可以确定中位数所在的桶，然后在该桶内使用更精确的方法计算中…
阅读更多...
使用Loadrunner进行性能测试

使用Loadrunner进行性能测试

一、确定性能测试的范围、要求、配置、工具等 明确测试的系统： 本文档主要指的是web应用。 明确测试要求： 用户提出性能测试，例如，网站首页页面响应时间在3S之内，主要的业务操作时间小于10s，支持300用户在…
阅读更多...
Android Studio实现内容丰富的安卓宠物用品商店管理系统

Android Studio实现内容丰富的安卓宠物用品商店管理系统

获取源码请点击文章末尾QQ名片联系，源码不免费，尊重创作，尊重劳动。 项目编号128 1.开发环境android stuido jdk1.8 eclipse mysql tomcat 2.功能介绍 安卓端： 1.注册登录 2.系统公告 3.宠物社区（可发布宠物帖子&#…
阅读更多...
2024.3.12-408学习笔记-C-C++语法中的引用和布尔类型

2024.3.12-408学习笔记-C-C++语法中的引用和布尔类型

1、引用& #include <stdio.h>void modify_pointer(int* &p1, int* q1) {p1 q1; }int main() {int* p NULL;int i 10;int* q &i;modify_pointer(p, q);printf("after modify_pointer *p %d\n", *p);//after modify_pointer *p 10return 0; }…
阅读更多...
this是什么？为什么要改变this？怎么改变 this 指向？

this是什么？为什么要改变this？怎么改变 this 指向？

目录 this 是什么&#xff1f; 箭头函数中的 this 为什么要改变 this 指向&#xff1f; 改变 this 指向的三种方法 call(无数个参数) apply(两个参数) bind(无数个参数) this 是什么&#xff1f; 在对象方法中&#xff0c;this 指的是所有者对象&#xff08;方法的拥有者…
阅读更多...
提升口才表达能力的重要性与途径

提升口才表达能力的重要性与途径

提升口才表达能力的重要性与途径 口才表达能力&#xff0c;即一个人通过口头语言准确、流畅、生动地传达思想、情感和观点的能力&#xff0c;是现代社会中不可或缺的一项基本技能。无论是在职场沟通、人际交往还是公共场合发言&#xff0c;优秀的口才表达能力都能为我们带来诸…
阅读更多...
力扣hot100：416.分割等和子集（组合/动态规划/STL问题）

力扣hot100：416.分割等和子集（组合/动态规划/STL问题）

组合数问题 我们思考一下&#xff0c;如果要把数组分割成两个子集&#xff0c;并且两个子集的元素和相等&#xff0c;是否等价于在数组中寻找若干个数使之和等于所有数的一半&#xff1f;是的&#xff01; 因此我们可以想到&#xff0c;两种方式&#xff1a; ①回溯的方式找到t…
阅读更多...
vanna：基于RAG的text2sql框架

vanna：基于RAG的text2sql框架

文章目录 vanna简介及使用vanna的原理vanna的源码理解总结参考资料 vanna简介及使用 vanna是一个开源的利用了RAG的SQL生成python框架&#xff0c;在2024年3月已经有了5.8k的star数。 Vanna is an MIT-licensed open-source Python RAG (Retrieval-Augmented Generation) fram…
阅读更多...
最新文章

Copyright @ 2022~2023