Python爬虫入门：从零到数据采集

Python爬虫基础指南

Python爬虫是自动化获取网络数据的技术，广泛应用于数据采集、市场分析等领域。以下是核心实现步骤：

1. 核心库选择

python 复制代码

import requests  # 发送HTTP请求
from bs4 import BeautifulSoup  # HTML解析
import pandas as pd  # 数据存储

2. 基础爬取流程

python 复制代码

# 发送请求
response = requests.get("https://example.com/books")
response.encoding = 'utf-8'  # 设置编码

# 解析HTML
soup = BeautifulSoup(response.text, 'html.parser')

# 数据提取示例
book_titles = [h2.text for h2 in soup.select('.book-title')]
book_prices = [float(div.text.strip('¥')) 
               for div in soup.select('.price')]

# 存储数据
df = pd.DataFrame({'书名': book_titles, '价格': book_prices})
df.to_csv('book_data.csv', index=False)

3. 关键技巧

反爬应对：

python 复制代码

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)',
    'Cookie': 'sessionid=abc123'
}
response = requests.get(url, headers=headers)

动态页面处理（使用Selenium）：

python 复制代码

from selenium import webdriver
driver = webdriver.Chrome()
driver.get(url)
dynamic_content = driver.find_element_by_class('js-loaded-data').text

4. 完整案例：豆瓣图书爬虫

python 复制代码

def douban_spider():
    url = "https://book.douban.com/top250"
    res = requests.get(url, headers={'User-Agent': 'Mozilla/5.0'})
    soup = BeautifulSoup(res.text, 'lxml')
    
    books = []
    for item in soup.select('.item'):
        title = item.select_one('.pl2 a')['title']
        rating = item.select_one('.rating_nums').text
        books.append((title, float(rating)))
    
    return pd.DataFrame(books, columns=['书名', '评分'])

df = douban_spider()
df.to_excel('豆瓣图书TOP250.xlsx')

5. 注意事项

遵守规则 ：
- 检查robots.txt（如https://site.com/robots.txt）
- 设置请求间隔：time.sleep(random.uniform(1,3))

异常处理 ：

python 复制代码

try:
    response = requests.get(url, timeout=10)
except (requests.ConnectionError, requests.Timeout) as e:
    print(f"请求失败: {str(e)}")

数据清洗 ：

python 复制代码

# 去除空白字符
clean_text = re.sub(r'\s+', ' ', raw_text).strip()

提示：对于复杂网站建议使用Scrapy框架，其内置的异步处理、管道机制和中间件能显著提升效率。