爬虫是获取网页数据的常用工具，我们一起来设计一个基于 requests 和 BeautifulSoup 的简单爬虫，它可以获取网页内容并提取文本信息。
所需库安装
首先需要安装两个必要的库：
pip install requests beautifulsoup4
完整代码
import requests
from bs4 import BeautifulSoup
import time
import random
import os
def simple_crawler(url, save_dir="crawled_data"):
"""
简单网页爬虫程序
:param url: 要爬取的网页URL
:param save_dir: 保存数据的目录
:return: 爬取的文本内容
"""
try:
模拟浏览器请求头，避免被识别为爬虫
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"
}
发送GET请求
response = requests.get(url, headers=headers, timeout=10)
检查请求是否成功
if response.status_code == 200:
设置正确的编码（处理中文乱码）
response.encoding = response.apparent_encoding
使用BeautifulSoup解析HTML
soup = BeautifulSoup(response.text, 'html.parser')
提取所有文本内容
all_text = soup.get_text()
创建保存目录（如果不存在）
if not os.path.exists(save_dir):
os.makedirs(save_dir)
保存内容到文件
filename = f"{save_dir}/{url.split('//')-1.split('/')0.replace('.', '')}{int(time.time())}.txt"
with open(filename, 'w', encoding='utf-8') as f:
f.write(all_text)
print(f"成功爬取并保存内容到 {filename}")
return all_text
else:
print(f"请求失败，状态码: {response.status_code}")
return None
except requests.exceptions.RequestException as e:
print(f"请求异常: {e}")
return None
except Exception as e:
print(f"发生错误: {e}")
return None
if name == "main":
要爬取的网址（请替换为你想爬取的合法网址）
target_url = "https://example.com"
执行爬取
content = simple_crawler(target_url)
if content:
打印前500个字符（可选）
print(f"\n爬取内容预览:\n{content:500}...")
代码功能解析
这个爬虫程序主要包含以下几个部分：
-
请求头设置：模拟浏览器请求头，降低被网站反爬机制识别的概率
-
请求发送：使用 requests 库发送HTTP GET请求获取网页内容
-
内容解析：通过 BeautifulSoup 解析HTML，提取纯文本内容
-
数据保存：将爬取的内容保存到本地文本文件中
-
异常处理：包含请求异常和通用异常处理，增强程序稳定性
使用注意事项
-
替换URL：将代码中的 https://example.com 替换为你想爬取的合法网址
-
遵守规则：爬取前请阅读网站的 robots.txt ，遵守网站爬取规则
-
控制频率：代码中可添加 time.sleep(random.uniform(1, 3)) 来控制爬取间隔，避免对服务器造成压力
-
合法用途：请确保爬取行为用于学习、研究等合法用途，避免侵犯他人权益。