【爬虫】- 爬虫原理及其入门

爬虫01 - 爬虫原理及其入门

文章目录

一:爬虫原理

学习爬虫之前前置知识需要了解这些:

我的HTTP介绍, 了解如何调用,requests需要

我的html介绍, 了解html结构

我的css介绍,了解选择器部分, 因为要用bs4选择对应位置的内容
所谓爬虫,就是通过模拟浏览器行为向目标网站发送请求(HTTP/HTTPS),解析响应内容并提取所需数据,最终存储到本地或数据库

  1. 请求数据(构造HTTP请求(GET/POST)获取网页内容)
  2. 解析数据(通过正则表达式、XPath或解析库(如BeautifulSoup)提取目标信息)
  3. 存储数据(将结果保存为CSV、Excel或数据库(如MySQL、MongoDB)

1:爬虫的优势‌

  • 丰富的库支持‌:Requests(HTTP请求)、BeautifulSoup/Scrapy(解析)、Selenium(动态渲染)等库简化开发流程。
  • ‌语法简洁高效‌:Python代码可读性强,适合快速实现复杂逻辑。
  • ‌生态成熟‌:社区活跃,反爬解决方案和开源项目资源丰富。

2:爬虫的核心库

shell 复制代码
pip install requests
pip install beautifulsoup4 # 注意这个是4版本的
pip install selenium
pip install scrapy

3:经典举例

举一个简单的top250首页电影的评分和电影名

python 复制代码
import requests
from bs4 import BeautifulSoup

# 1:构建请求,通过request先获取到对应的HTML/XML
url = "https://movie.douban.com/top250"
headers = {"User-Agent": "Mozilla/5.0"}

response = requests.get(url, headers=headers)

# 准备使用bs4进行解析,下面将使用find, find_all进行解析
soup = BeautifulSoup(response.text, "html.parser")

movies = []
# 对于找到的所有的item进行解析
for item in soup.find_all("div", class_="item"):
    title = item.find("span", class_="title").text
    rating = item.find("span", class_="rating_num").text
    movies.append({"title": title, "rating": rating})

for index, movie in enumerate(movies):
    print(f"{index + 1}. {movie['title']} - {movie['rating']}")

4:合规问题

相关推荐
十三浪3 小时前
开源框架推荐:API数据批处理与爬虫集成
爬虫·开源
小白学大数据11 小时前
高并发爬虫的限流策略:aiohttp实现方案
爬虫
天若有情6731 天前
【python】Python爬虫入门教程:使用requests库
开发语言·爬虫·python·网络爬虫·request
Python智慧行囊1 天前
Selenium 自动化测试与爬虫实战:从环境搭建到高级应用
爬虫·selenium·测试工具
fsnine1 天前
网络爬虫(python)入门
开发语言·爬虫·python
Dreamsi_zh1 天前
Python爬虫07_Requests爬取图片
开发语言·爬虫·python
yzx9910132 天前
关于PHP学习
运维·爬虫·自动化·php
Dreamsi_zh2 天前
Python爬虫02_Requests实战网页采集器
开发语言·爬虫·python
专注VB编程开发20年2 天前
Selenium的进化历程与WebDriver的创新整合,作者Simon Stewart
爬虫·selenium·数据采集·webdriver·simon stewart
Dreamsi_zh3 天前
Python爬虫04_Requests豆瓣电影爬取
开发语言·爬虫·python