Python编程实战：综合项目 —— 迷你爬虫项目

这个实战专门让你体验"从零搭一个可用的小爬虫"，功能虽然轻量，但结构、流程、容错、模块化都完整得像样，是一个非常适合作为综合训练的项目。

---

一、项目目标

开发一个迷你爬虫，实现：

1. 输入一个网页 URL
2. 自动发起请求并获取网页内容
3. 提取网页中的标题、正文文字、链接
4. 将结果保存到本地
5. 提供基础的异常处理（网络错误、解析错误等）
6. 使用模块化结构可扩展

这是一个"只用 Python 标准库 + requests + BeautifulSoup"就能完成的轻量项目。

---

二、所需库

pip install requests beautifulsoup4 lxml

项目中需要用到：

• requests：用于发送 HTTP 请求
• bs4（BeautifulSoup）：用于解析网页
• lxml：加速解析并提升稳定性

---

三、项目结构设计

推荐这样的结构：

mini_spider/
│── main.py            # 主程序入口
│── fetcher.py         # 网络请求模块
│── parser.py          # 数据解析模块
│── saver.py           # 文件保存模块
│── output/            # 保存爬取结果

这会让程序更像"可维护的小项目"，而不是零散脚本。

---

四、编写网络请求模块 fetcher.py

import requests

def fetch_html(url, timeout=10):
    headers = {
        "User-Agent": "Mozilla/5.0 (Mini Spider Project)"
    }
    try:
        resp = requests.get(url, headers=headers, timeout=timeout)
        resp.raise_for_status()
        resp.encoding = resp.apparent_encoding
        return resp.text
    except requests.RequestException as e:
        print(f"请求失败: {e}")
        return None

功能亮点：

• 自定义 UA 防止部分网站拒绝
• raise_for_status() 帮你捕获 404/500
• timeout 防止卡死
• 稳健的异常处理

---

五、编写解析模块 parser.py

示例：提取文章标题、正文文本、所有超链接。

from bs4 import BeautifulSoup

def parse_page(html):
    try:
        soup = BeautifulSoup(html, "lxml")

        title = soup.title.string if soup.title else "无标题"

        # 提取正文
        paragraphs = [p.get_text(strip=True) for p in soup.find_all("p")]
        content = "\n".join(paragraphs)

        # 提取链接
        links = [a['href'] for a in soup.find_all("a", href=True)]

        return {
            "title": title,
            "content": content,
            "links": links
        }

    except Exception as e:
        print(f"解析失败: {e}")
        return None

这个解析逻辑简单但通用，能适配大部分普通网页。

---

六、保存模块 saver.py

把爬取结果保存为 txt 文件。

import os

def save_result(data, filename="result.txt"):
    if not os.path.exists("output"):
        os.makedirs("output")

    filepath = os.path.join("output", filename)

    with open(filepath, "w", encoding="utf-8") as f:
        f.write(f"标题：{data['title']}\n\n")
        f.write("正文内容：\n")
        f.write(data["content"])
        f.write("\n\n链接列表：\n")
        for link in data["links"]:
            f.write(link + "\n")

    print(f"已保存到 {filepath}")

你也可以扩展成：

• 保存为 JSON
• 保存为 CSV
• 保存为 HTML
• 保存为知识库

---

七、主程序 main.py

from fetcher import fetch_html
from parser import parse_page
from saver import save_result

def main():
    url = input("请输入要爬取的URL：")

    html = fetch_html(url)
    if not html:
        print("获取网页失败")
        return

    data = parse_page(html)
    if not data:
        print("解析失败")
        return

    save_result(data, filename="爬取结果.txt")
    print("爬取完成！")

if __name__ == "__main__":
    main()

运行效果：

请输入要爬取的URL：http://example.com
正在保存...
爬取完成！

---

八、项目特色亮点

这个"迷你爬虫项目"虽然简单，但框架很专业，因为它包含：

• 模块化开发
• 独立网络层 + 解析层 + 存储层
• 异常处理全链路
• 对网页按结构信息拆解
• 工程结构可扩展性强

你稍微扩展一下就能变成：

✔ 批量 URL 爬虫 ✔ 采集新闻网站文章 ✔ 采集商品标题价格 ✔ 监控网页变化 ✔ 小规模数据采集脚本

---

九、可扩展方向（项目升级建议）

如果你想进一步强化，可以加入：

1. 批量 URL 爬取

从文件读取 URL 列表，一次抓一批。

2. 自动限速 & 重试机制

降低被封风险。

3. 代理池

提高稳定性。

4. 结构化存储（JSON/CSV）

方便后续分析。

5. GUI 图形界面（Tkinter）

变成真正的桌面工具。

---