【爬虫】- 爬虫原理及其入门

爬虫01 - 爬虫原理及其入门

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

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

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