浅学爬虫-python爬虫基础

介绍与应用

Python爬虫是指利用Python编写程序从互联网上自动获取信息的技术。爬虫广泛应用于数据收集、价格监控、内容聚合、市场分析等领域。其基本原理是模拟浏览器发送HTTP请求获取网页数据，并通过解析HTML来提取所需的信息。

基本工具

Python中有许多强大的爬虫库，最常用的两个库是requests和BeautifulSoup。

• requests库: 一个简单易用的HTTP库，用于发送HTTP请求。
• BeautifulSoup库: 一个HTML解析库，用于从网页中提取数据。

第一个爬虫

我们将编写一个简单的爬虫，从一个网页上提取数据。假设我们要爬取一个简单的网站，并从中提取标题和段落内容。

步骤1：安装所需库 首先，我们需要安装requests和BeautifulSoup库。可以使用以下命令安装：

pip install requests
pip install beautifulsoup4

步骤2：编写爬虫代码

import requests
from bs4 import BeautifulSoup
 
# 目标URL
url = "http://example.com"
 
# 发送HTTP请求
response = requests.get(url)
 
# 检查请求是否成功
if response.status_code == 200:
    # 解析HTML内容
    soup = BeautifulSoup(response.content, 'html.parser')
 
    # 提取标题
    title = soup.find('h1').text
    print(f"标题: {title}")
 
    # 提取段落内容
    paragraphs = soup.find_all('p')
    for idx, paragraph in enumerate(paragraphs, start=1):
        print(f"段落 {idx}: {paragraph.text}")
else:
    print(f"请求失败，状态码: {response.status_code}")

代码解释:

1. 导入库: 导入requests和BeautifulSoup库。
2. 目标URL: 设置我们要爬取的网页URL。
3. 发送HTTP请求: 使用requests.get方法发送请求并获取响应。
4. 检查请求状态: 检查请求是否成功（状态码200表示成功）。
5. 解析HTML内容: 使用BeautifulSoup解析HTML内容。
6. 提取标题: 使用soup.find方法查找标题标签并提取文本内容。
7. 提取段落内容: 使用soup.find_all方法查找所有段落标签并提取文本内容。

使用代理池

在实际的爬虫应用中，我们可能会遇到IP被封禁的情况，这时我们可以使用代理池来绕过封禁。代理池是指一组代理服务器的集合，通过轮换使用这些代理服务器，可以避免被目标网站封禁。

设置代理池的步骤：

步骤1：准备代理池 可以手动收集免费代理，也可以使用一些代理服务提供的API获取代理。

步骤2：编写使用代理池的爬虫代码

import requests
from bs4 import BeautifulSoup
import random
 
# 目标URL
url = "http://example.com"
 
# 代理池
proxy_pool = [
    'http://12.34.56.78:9100',
    'http://23.45.67.89:9101',
    'http://34.56.78.90:9102'
]
 
# 随机选择一个代理
proxy = random.choice(proxy_pool)
proxies = {
    'http': proxy,
    'https': proxy
}
 
# 发送HTTP请求
response = requests.get(url, proxies=proxies)
 
# 检查请求是否成功
if response.status_code == 200:
    # 解析HTML内容
    soup = BeautifulSoup(response.content, 'html.parser')
 
    # 提取标题
    title = soup.find('h1').text
    print(f"标题: {title}")
 
    # 提取段落内容
    paragraphs = soup.find_all('p')
    for idx, paragraph in enumerate(paragraphs, start=1):
        print(f"段落 {idx}: {paragraph.text}")
else:
    print(f"请求失败，状态码: {response.status_code}")

代码解释:

1. 代理池: 创建一个包含多个代理的列表。
2. 随机选择代理: 使用random.choice方法从代理池中随机选择一个代理。
3. 设置代理: 创建一个字典，包含HTTP和HTTPS的代理设置。
4. 发送HTTP请求: 使用代理发送请求。

结论

通过以上简单的例子，我们成功编写了一个基础的Python爬虫，并从网页中提取了标题和段落内容。同时，我们学习了如何使用代理池来绕过IP封禁。在接下来的文章中，我们将进一步探讨更多的爬虫技巧和高级应用。

介绍与应用

Python爬虫是指利用Python编写程序从互联网上自动获取信息的技术。爬虫广泛应用于数据收集、价格监控、内容聚合、市场分析等领域。其基本原理是模拟浏览器发送HTTP请求获取网页数据，并通过解析HTML来提取所需的信息。

基本工具

Python中有许多强大的爬虫库，最常用的两个库是requests和BeautifulSoup。

• requests库: 一个简单易用的HTTP库，用于发送HTTP请求。
• BeautifulSoup库: 一个HTML解析库，用于从网页中提取数据。

第一个爬虫

我们将编写一个简单的爬虫，从一个网页上提取数据。假设我们要爬取一个简单的网站，并从中提取标题和段落内容。

步骤1：安装所需库 首先，我们需要安装requests和BeautifulSoup库。可以使用以下命令安装：

pip install requests
pip install beautifulsoup4

步骤2：编写爬虫代码

import requests
from bs4 import BeautifulSoup
 
# 目标URL
url = "http://example.com"
 
# 发送HTTP请求
response = requests.get(url)
 
# 检查请求是否成功
if response.status_code == 200:
    # 解析HTML内容
    soup = BeautifulSoup(response.content, 'html.parser')
 
    # 提取标题
    title = soup.find('h1').text
    print(f"标题: {title}")
 
    # 提取段落内容
    paragraphs = soup.find_all('p')
    for idx, paragraph in enumerate(paragraphs, start=1):
        print(f"段落 {idx}: {paragraph.text}")
else:
    print(f"请求失败，状态码: {response.status_code}")

代码解释:

1. 导入库: 导入requests和BeautifulSoup库。
2. 目标URL: 设置我们要爬取的网页URL。
3. 发送HTTP请求: 使用requests.get方法发送请求并获取响应。
4. 检查请求状态: 检查请求是否成功（状态码200表示成功）。
5. 解析HTML内容: 使用BeautifulSoup解析HTML内容。
6. 提取标题: 使用soup.find方法查找标题标签并提取文本内容。
7. 提取段落内容: 使用soup.find_all方法查找所有段落标签并提取文本内容。

使用代理池

在实际的爬虫应用中，我们可能会遇到IP被封禁的情况，这时我们可以使用代理池来绕过封禁。代理池是指一组代理服务器的集合，通过轮换使用这些代理服务器，可以避免被目标网站封禁。

设置代理池的步骤：

步骤1：准备代理池 可以手动收集免费代理，也可以使用一些代理服务提供的API获取代理。

步骤2：编写使用代理池的爬虫代码

import requests
from bs4 import BeautifulSoup
import random
 
# 目标URL
url = "http://example.com"
 
# 代理池
proxy_pool = [
    'http://12.34.56.78:9100',
    'http://23.45.67.89:9101',
    'http://34.56.78.90:9102'
]
 
# 随机选择一个代理
proxy = random.choice(proxy_pool)
proxies = {
    'http': proxy,
    'https': proxy
}
 
# 发送HTTP请求
response = requests.get(url, proxies=proxies)
 
# 检查请求是否成功
if response.status_code == 200:
    # 解析HTML内容
    soup = BeautifulSoup(response.content, 'html.parser')
 
    # 提取标题
    title = soup.find('h1').text
    print(f"标题: {title}")
 
    # 提取段落内容
    paragraphs = soup.find_all('p')
    for idx, paragraph in enumerate(paragraphs, start=1):
        print(f"段落 {idx}: {paragraph.text}")
else:
    print(f"请求失败，状态码: {response.status_code}")

代码解释:

1. 代理池: 创建一个包含多个代理的列表。
2. 随机选择代理: 使用random.choice方法从代理池中随机选择一个代理。
3. 设置代理: 创建一个字典，包含HTTP和HTTPS的代理设置。
4. 发送HTTP请求: 使用代理发送请求。

结论

通过以上简单的例子，我们成功编写了一个基础的Python爬虫，并从网页中提取了标题和段落内容。同时，我们学习了如何使用代理池来绕过IP封禁。在接下来的文章中，我们将进一步探讨更多的爬虫技巧和高级应用。