溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章給大家分享的是有關python網絡爬蟲的寫法的內容。小編覺得挺實用的，因此分享給大家做個參考。一起跟隨小編過來看看吧。
這是一篇詳細介紹 Python 爬蟲入門的教程，從實戰出發，適合初學者。讀者只需在閱讀過程緊跟文章思路，理清相應的實現代碼，30 分鐘即可學會編寫簡單的 Python 爬蟲。
這篇 Python 爬蟲教程主要講解以下 5 部分內容：
（1）了解網頁；
（2）使用 requests 庫抓取網站數據；
（3）使用 Beautiful Soup 解析網頁；
（4）清洗和組織數據；
（5）爬蟲攻防戰；
了解網頁
以中國旅游網首頁（http://www.cntour.cn/）為例，抓取中國旅游網首頁首條信息（標題和鏈接），數據以明文的形式出面在源碼中。在中國旅游網首頁，按快捷鍵【Ctrl+U】打開源碼頁面，如圖 1 所示。
圖 1 中國旅游網首頁源碼
認識網頁結構
網頁一般由三部分組成，分別是 HTML（超文本標記語言）、CSS（層疊樣式表）和 JScript（活動腳本語言）。
HTML
HTML 是整個網頁的結構，相當于整個網站的框架。帶“＜”、“＞”符號的都是屬于 HTML 的標簽，并且標簽都是成對出現的。
常見的標簽如下：
<html>..</html> 表示標記中間的元素是網頁 <body>..</body> 表示用戶可見的內容 <div>..</div> 表示框架 <p>..</p> 表示段落 <li>..</li>表示列表 <img>..</img>表示圖片 <h2>..</h2>表示標題 <a href="">..</a>表示超鏈接
CSS
CSS 表示樣式，圖 1 中第 13 行＜style type=＂text/css＂＞表示下面引用一個 CSS，在 CSS 中定義了外觀。
JScript
JScript 表示功能。交互的內容和各種特效都在 JScript 中，JScript 描述了網站中的各種功能。
如果用人體來比喻，HTML 是人的骨架，并且定義了人的嘴巴、眼睛、耳朵等要長在哪里。CSS 是人的外觀細節，如嘴巴長什么樣子，眼睛是雙眼皮還是單眼皮，是大眼睛還是小眼睛，皮膚是黑色的還是白色的等。JScript 表示人的技能，例如跳舞、唱歌或者演奏樂器等。
寫一個簡單的 HTML
通過編寫和修改 HTML，可以更好地理解 HTML。首先打開一個記事本，然后輸入下面的內容：
<html> <head> <title> Python 3 爬蟲與數據清洗入門與實戰</title> </head> <body> <div> <p>Python 3爬蟲與數據清洗入門與實戰</p> </div> <div> <ul> <li><a href="http://c.biancheng.net">爬蟲</a></li> <li>數據清洗</li> </ul> </div> </body>
輸入代碼后，保存記事本，然后修改文件名和后綴名為"HTML.html"；
運行該文件后的效果，如圖 2 所示。
圖 2
這段代碼只是用到了 HTML，讀者可以自行修改代碼中的中文，然后觀察其變化。
關于爬蟲的合法性
幾乎每一個網站都有一個名為 robots.txt 的文檔，當然也有部分網站沒有設定 robots.txt。對于沒有設定 robots.txt 的網站可以通過網絡爬蟲獲取沒有口令加密的數據，也就是該網站所有頁面數據都可以爬取。如果網站有 robots.txt 文檔，就要判斷是否有禁止訪客獲取的數據。
以淘寶網為例，在瀏覽器中訪問 https://www.taobao.com/robots.txt，如圖 3 所示。
圖 3 淘寶網的robots.txt文件內容
淘寶網允許部分爬蟲訪問它的部分路徑，而對于沒有得到允許的用戶，則全部禁止爬取，代碼如下：
User-Agent:* Disallow:/
這一句代碼的意思是除前面指定的爬蟲外，不允許其他爬蟲爬取任何數據。
使用 requests 庫請求網站
安裝 requests 庫
首先在 PyCharm 中安裝 requests 庫，為此打開 PyCharm，單擊“File”（文件）菜單，選擇“Setting for New Projects...”命令，如圖 4 所示。
圖 4
選擇“Project Interpreter”（項目編譯器）命令，確認當前選擇的編譯器，然后單擊右上角的加號，如圖 5 所示。
圖 5
在搜索框輸入：requests（注意，一定要輸入完整，不然容易出錯），然后單擊左下角的“Install Package”（安裝庫）按鈕。如圖 6 所示：
圖 6
安裝完成后，會在 Install Package 上顯示“Package‘requests’ installed successfully”（庫的請求已成功安裝），如圖 7 所示；如果安裝不成功將會顯示提示信息。
圖 7 安裝成功
爬蟲的基本原理
網頁請求的過程分為兩個環節：
Request （請求）：每一個展示在用戶面前的網頁都必須經過這一步，也就是向服務器發送訪問請求。
Response（響應）：服務器在接收到用戶的請求后，會驗證請求的有效性，然后向用戶（客戶端）發送響應的內容，客戶端接收服務器響應的內容，將內容展示出來，就是我們所熟悉的網頁請求，如圖 8 所示。
圖 8 Response相應
網頁請求的方式也分為兩種：
GET：最常見的方式，一般用于獲取或者查詢資源信息，也是大多數網站使用的方式，響應速度快。
POST：相比 GET 方式，多了以表單形式上傳參數的功能，因此除查詢信息外，還可以修改信息。
所以，在寫爬蟲前要先確定向誰發送請求，用什么方式發送。
使用 GET 方式抓取數據
復制任意一條首頁首條新聞的標題，在源碼頁面按【Ctrl+F】組合鍵調出搜索框，將標題粘貼在搜索框中，然后按【Enter】鍵。
如圖 8 所示，標題可以在源碼中搜索到，請求對象是www.cntour.cn，請求方式是GET（所有在源碼中的數據請求方式都是GET），如圖 9 所示。
圖 9（點此查看高清大圖）
確定好請求對象和方式后，在 PyCharm 中輸入以下代碼：
import requests #導入requests包 url = 'http://www.cntour.cn/' strhtml = requests.get(url) #Get方式獲取網頁數據 print(strhtml.text)
運行結果如圖 10 所示：
圖 10 運行結果效果圖
加載庫使用的語句是 import+庫的名字。在上述過程中，加載 requests 庫的語句是：import requests。
用 GET 方式獲取數據需要調用 requests 庫中的 get 方法，使用方法是在 requests 后輸入英文點號，如下所示：
requests.get
將獲取到的數據存到 strhtml 變量中，代碼如下：
strhtml = request.get(url)
這個時候 strhtml 是一個 URL 對象，它代表整個網頁，但此時只需要網頁中的源碼，下面的語句表示網頁源碼：
strhtml.text
使用 POST 方式抓取數據
首先輸入有道翻譯的網址：http://fanyi.youdao.com/，進入有道翻譯頁面。
按快捷鍵 F12，進入開發者模式，單擊 Network，此時內容為空，如圖 11 所示：
圖 11
在有道翻譯中輸入“我愛中國”，單擊“翻譯”按鈕，如圖 12 所示：
圖 12
在開發者模式中，依次單擊“Network”按鈕和“XHR”按鈕，找到翻譯數據，如圖 13 所示：
圖 13
單擊 Headers，發現請求數據的方式為 POST。如圖 14 所示：
圖 14
找到數據所在之處并且明確請求方式之后，接下來開始撰寫爬蟲。
首先，將 Headers 中的 URL 復制出來，并賦值給 url，代碼如下：
url = 'http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule'
POST 的請求獲取數據的方式不同于 GET，POST 請求數據必須構建請求頭才可以。
Form Data 中的請求參數如圖 15 所示：
圖 15
將其復制并構建一個新字典：
From_data={'i':'我愛中國','from':'zh-CHS','to':'en','smartresult':'dict','client':'fanyideskweb','salt':
'15477056211258','sign':'b3589f32c38bc9e3876a570b8a992604','ts':'1547705621125','bv':
'b33a2f3f9d09bde064c9275bcb33d94e','doctype':'json','version':'2.1','keyfrom':'fanyi.web','action':'FY_BY_REALTIME',
'typoResult':'false'}接下來使用 requests.post 方法請求表單數據，代碼如下：
import requests #導入requests包 response = requests.post(url,data=payload)
將字符串格式的數據轉換成 JSON 格式數據，并根據數據結構，提取數據，并將翻譯結果打印出來，代碼如下：
import json
content = json.loads(response.text)
print(content['translateResult'][0][0]['tgt'])
使用 requests.post 方法抓取有道翻譯結果的完整代碼如下：
import requests #導入requests包
import json
def get_translate_date(word=None):
url = 'http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule'
From_data={'i':word,'from':'zh-CHS','to':'en','smartresult':'dict','client':'fanyideskweb','salt':
'15477056211258','sign':'b3589f32c38bc9e3876a570b8a992604','ts':'1547705621125','bv':
'b33a2f3f9d09bde064c9275bcb33d94e','doctype':'json','version':'2.1','keyfrom':'fanyi.web','action':
'FY_BY_REALTIME','typoResult':'false'}
#請求表單數據
response = requests.post(url,data=From_data)
#將Json格式字符串轉字典
content = json.loads(response.text)
print(content)
#打印翻譯后的數據
#print(content['translateResult'][0][0]['tgt'])
if __name__=='__main__':
get_translate_date('我愛中國')使用 Beautiful Soup 解析網頁
通過 requests 庫已經可以抓到網頁源碼，接下來要從源碼中找到并提取數據。Beautiful Soup 是 python 的一個庫，其最主要的功能是從網頁中抓取數據。Beautiful Soup 目前已經被移植到 bs4 庫中，也就是說在導入 Beautiful Soup 時需要先安裝 bs4 庫。
安裝 bs4 庫的方式如圖 16 所示：
圖 16
安裝好 bs4 庫以后，還需安裝 lxml 庫。如果我們不安裝 lxml 庫，就會使用 Python 默認的解析器。盡管 Beautiful Soup 既支持 Python 標準庫中的 HTML 解析器又支持一些第三方解析器，但是 lxml 庫具有功能更加強大、速度更快的特點，因此筆者推薦安裝 lxml 庫。
安裝 Python 第三方庫后，輸入下面的代碼，即可開啟 Beautiful Soup 之旅：
import requests #導入requests包
from bs4 import BeautifulSoup
url='http://www.cntour.cn/'
strhtml=requests.get(url)
soup=BeautifulSoup(strhtml.text,'lxml')
data = soup.select('#main>div>div.mtop.firstMod.clearfix>div.centerBox>ul.newsList>li>a')
print(data)代碼運行結果如圖 17 所示。
圖 17
Beautiful Soup 庫能夠輕松解析網頁信息，它被集成在 bs4 庫中，需要時可以從 bs4 庫中調用。其表達語句如下：
from bs4 import BeautifulSoup
首先，HTML 文檔將被轉換成 Unicode 編碼格式，然后 Beautiful Soup 選擇最合適的解析器來解析這段文檔，此處指定 lxml 解析器進行解析。解析后便將復雜的 HTML 文檔轉換成樹形結構，并且每個節點都是 Python 對象。這里將解析后的文檔存儲到新建的變量 soup 中，代碼如下：
soup=BeautifulSoup(strhtml.text,'lxml')
接下來用 select（選擇器）定位數據，定位數據時需要使用瀏覽器的開發者模式，將鼠標光標停留在對應的數據位置并右擊，然后在快捷菜單中選擇“檢查”命令，如圖 18 所示：
圖 18
隨后在瀏覽器右側會彈出開發者界面，右側高亮的代碼（參見圖 19(b)）對應著左側高亮的數據文本（參見圖 19(a)）。右擊右側高亮數據，在彈出的快捷菜單中選擇“Copy”?“Copy Selector”命令，便可以自動復制路徑。
圖 19 復制路徑
將路徑粘貼在文檔中，代碼如下:
#main > div > div.mtop.firstMod.clearfix > div.centerBox > ul.newsList > li:nth-child(1) > a
由于這條路徑是選中的第一條的路徑，而我們需要獲取所有的頭條新聞，因此將 li：nth-child（1）中冒號（包含冒號）后面的部分刪掉，代碼如下：
#main > div > div.mtop.firstMod.clearfix > div.centerBox > ul.newsList > li > a
使用 soup.select 引用這個路徑，代碼如下：
data = soup.select('#main > div > div.mtop.firstMod.clearfix > div.centerBox > ul.newsList > li > a')清洗和組織數據
至此，獲得了一段目標的 HTML 代碼，但還沒有把數據提取出來，接下來在 PyCharm 中輸入以下代碼：
for item in data:
result={
'title':item.get_text(),
'link':item.get('href')
}
print(result)代碼運行結果如圖 20 所示：
圖 20
首先明確要提取的數據是標題和鏈接，標題在＜a＞標簽中，提取標簽的正文用 get_text() 方法。鏈接在＜a＞標簽的 href 屬性中，提取標簽中的 href 屬性用 get() 方法，在括號中指定要提取的屬性數據，即 get(＇href＇)。
從圖 20 中可以發現，文章的鏈接中有一個數字 ID。下面用正則表達式提取這個 ID。需要使用的正則符號如下:
\d匹配數字 +匹配前一個字符1次或多次
在 Python 中調用正則表達式時使用 re 庫，這個庫不用安裝，可以直接調用。在 PyCharm 中輸入以下代碼:
import re
for item in data:
result={
"title":item.get_text(),
"link":item.get('href'),
'ID':re.findall('\d+',item.get('href'))
}
print(result)運行結果如圖 21 所示：
圖 21
這里使用 re 庫的 findall 方法，第一個參數表示正則表達式，第二個參數表示要提取的文本。
爬蟲攻防戰
爬蟲是模擬人的瀏覽訪問行為，進行數據的批量抓取。當抓取的數據量逐漸增大時，會給被訪問的服務器造成很大的壓力，甚至有可能崩潰。換句話就是說，服務器是不喜歡有人抓取自己的數據的。那么，網站方面就會針對這些爬蟲者，采取一些反爬策略。
服務器第一種識別爬蟲的方式就是通過檢查連接的 useragent 來識別到底是瀏覽器訪問，還是代碼訪問的。如果是代碼訪問的話，訪問量增大時，服務器會直接封掉來訪 IP。
那么應對這種初級的反爬機制，我們應該采取何種舉措？
還是以前面創建好的爬蟲為例。在進行訪問時，我們在開發者環境下不僅可以找到 URL、Form Data，還可以在 Request headers 中構造瀏覽器的請求頭，封裝自己。服務器識別瀏覽器訪問的方法就是判斷 keyword 是否為 Request headers 下的 User-Agent，如圖 22 所示。
圖 22
因此，我們只需要構造這個請求頭的參數。創建請求頭部信息即可，代碼如下：
headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/
70.0.3538.110 Safari/537.36'}
response = request.get(url,headers=headers)寫到這里，很多讀者會認為修改 User-Agent 很太簡單。確實很簡單，但是正常人1秒看一個圖，而個爬蟲1秒可以抓取好多張圖，比如 1 秒抓取上百張圖，那么服務器的壓力必然會增大。也就是說，如果在一個 IP 下批量訪問下載圖片，這個行為不符合正常人類的行為，肯定要被封 IP。
其原理也很簡單，就是統計每個IP的訪問頻率，該頻率超過閾值，就會返回一個驗證碼，如果真的是用戶訪問的話，用戶就會填寫，然后繼續訪問，如果是代碼訪問的話，就會被封 IP。
這個問題的解決方案有兩個，第一個就是常用的增設延時，每 3 秒鐘抓取一次，代碼如下：
import time time.sleep(3)
但是，我們寫爬蟲的目的是為了高效批量抓取數據，這里設置 3 秒鐘抓取一次，效率未免太低。其實，還有一個更重要的解決辦法，那就是從本質上解決問題。
不管如何訪問，服務器的目的就是查出哪些為代碼訪問，然后封鎖 IP。解決辦法：為避免被封 IP，在數據采集時經常會使用代理。當然，requests 也有相應的 proxies 屬性。
首先，構建自己的代理 IP 池，將其以字典的形式賦值給 proxies，然后傳輸給 requests，代碼如下：
proxies={
"http":"http://10.10.1.10:3128",
"https":"http://10.10.1.10:1080",
}
response = requests.get(url, proxies=proxies)感謝各位的閱讀！關于python網絡爬蟲的寫法就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
