使用Python進行網絡爬蟲的案例分析

這篇文章給大家分享的是有關使用Python進行網絡爬蟲的案例分析的內容。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。

一、為什么使用Python進行網絡爬蟲？

由于Python語言十分簡潔，使用起來又非常簡單、易學，通過Python 進行編寫就像使用英語進行寫作一樣。另外Python 在使用中十分方便，并不需要IDE，而僅僅通過sublime text 就能夠對大部分的中小應用進行開發；除此之外Python 爬蟲的框架功能十分強大，它的框架能夠對網絡數據進行爬取，還能對結構性的數據進行提取，經常用在數據的挖掘、歷史數據的存儲和信息的處理等程序內；Python網絡的支持庫和html的解析器功能十分強大，借助網絡的支持庫通過較少代碼的編寫，就能夠進行網頁的下載，且通過網頁的解析庫就能夠對網頁內各標簽進行解析，和正則的表達式進行結合，

十分便于進行網頁內容的抓取。所以Python在網絡爬蟲網面有很大的優勢。

二、判斷網站數據是否支持爬取

幾乎每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。如果網站沒有設定 robots.txt 就可以通過網絡爬蟲獲取沒有口令加密的數據，也就是這個網站所有頁面數據都可以爬取。當然如果網站有 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，如圖所示。

上圖淘寶網的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:/
12

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。

三、requests 庫抓取網站數據

1.如何安裝 requests 庫

1.首先在 PyCharm 中安裝 requests 庫

2.打開 PyCharm，單擊“File”（文件）菜單

3.選擇“Setting for New Projects…”命令

4.選擇“Project Interpreter”（項目編譯器）命令

5.確認當前選擇的編譯器，然后單擊右上角的加號。

6.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。

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），如果安裝不成功將會顯示提示信息。

四、爬蟲的基本原理

網頁請求的過程分為兩個環節：

1. 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。

2. 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

網頁請求的方式也分為兩種：

1. 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。

2. 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。

五、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。

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。

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)
1234

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
1

將獲取到的數據存到 strhtml 變量中，代碼如下：

strhtml = request.get(url)
1

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
1

六、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，如圖所示：

在有道翻譯中輸入“我愛中國”，單擊“翻譯”按鈕

在開發者模式中，依次單擊“Network”按鈕和“XHR”按鈕，找到翻譯數據

單擊 Headers，發現請求數據的方式為 POST。

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'
1

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

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'}
1

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'])
123

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')
1234567891011121314

七、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 所示:

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)
1234567

代碼運行結果如圖。

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
1

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')
1

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

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。

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
1

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
1

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')
1

八、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：純文本復制

for item in data:
    result={
        'title':item.get_text(),
        'link':item.get('href')
    }
print(result)
123456

代碼運行結果如圖 所示：

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)
12345678

運行結果如圖 所示：

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。

九.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：

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)
12

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)
12

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。

感謝各位的閱讀！關于使用Python進行網絡爬蟲的案例分析就分享到這里了，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！