网络爬虫（python）入门

一、网络爬虫介绍

网络爬虫（Web Crawler）是一种自动抓取互联网信息的程序，它能够高效地从海量网页中提取有价值的数据。作为数据采集的利器，爬虫技术在数据分析、搜索引擎、价格监控等领域有着广泛应用。本文将带你全面了解Python网络爬虫的开发。

robots.txt规则

robots.txt 是网站与网络爬虫沟通的标准协议文件，它规定了哪些内容可以被爬取，哪些应该被禁止。作为爬虫开发者，理解并遵守 robots.txt 规则是合法合规爬取的基础。

通过在网站后加上robots.txt就可以查看当前网站的robots规则

完全开放

User-agent: * Disallow:

完全禁止

User-agent: * Disallow: /

部分限制

User-agent: * Disallow: /admin/ Disallow: /private/ Allow: /public/ Crawl-delay: 2

针对特定爬虫

User-agent: Googlebot Disallow: /nogoogle/ User-agent: * Disallow: /noothers/

掌握robots.txt规则是每个爬虫开发者的必修课。通过合理遵守这些规则，我们既能获取所需数据，又能维护良好的网络生态。记住，负责任的爬虫开发是技术可持续发展的基础。

二、requests库 

requests 是 Python 中最流行的 HTTP 客户端库，以其简洁优雅的 API 设计著称。本文将全面介绍 requests 库的使用方法和最佳实践。

1、安装requests库

在开始之前，确保你已经安装了requests库。如果尚未安装，可以通过pip轻松安装：

pip install requests -i https://pypi.tuna.tsinghua.edu.cn/simple

2、网页的源代码

如果通常我们想获取网页的内容我们是查看页面里的内容，但是我们使用代码去获取资源时就需要用到网页的源代码。

我们通过右击网页空白处点击查看源代码选项

但是通过这种方法无法获得全部信息，通过JavaScript脚本语言可以查看更多信息。

点击检查选项可以查看到脚本代码

3、获取网页资源

• get(）函数

requests.get(url, params=None, **kwargs)

import requests

response = requests.get('https://api.github.com')
print(response.status_code)  # 打印状态码
print(response.text)         # 打印响应内容

params = {'key1': 'value1', 'key2': 'value2'}
response = requests.get('https://httpbin.org/get', params=params)
print(response.url)  # 查看实际请求的URL

• post()函数

requests.post(url, data=None, json=None, **kwargs)

import requests

payload = {'key1': 'value1', 'key2': 'value2'}
response = requests.post('https://httpbin.org/post', data=payload)

print(response.status_code)
print(response.json())  # 查看服务器返回的JSON响应

 三、selenium库

Selenium 是一个能让你「用代码操作浏览器」的开源工具。
常见用途：

• 自动化功能测试

• 重复性任务脚本（抢票、签到、填表）

• 抓取需要执行 JS 的页面数据

1、环境搭建

1. 安装 Python（https://www.python.org 下载 3.7+）。

2. 安装 Selenium 

   pip install selenium ​-i https://pypi.tuna.tsinghua.edu.cn/simple

3. Chrome内核的浏览器

   Chrome 驱动镜像：CNPM Binaries Mirror

   • 把解压后的 chromedriver.exe 放到
     – 任意目录，并记录路径；或
     – 直接丢进 Python 安装目录的 Scripts 文件夹（已在系统 Path 中）。

             2.验证：命令行输入 chromedriver 不报错就 OK。

      4. Edge内核的浏览器

• 访问官方镜像：Microsoft Edge WebDriver | Microsoft Edge Developer

• 驱动版本必须与 Edge 浏览器版本一致。

• 下载后解压，得到 msedgedriver.exe（建议重命名为 edgedriver.exe 方便记忆）。

在浏览器的关于浏览器选项就可以看到浏览器的内核版本、

 2、驱动浏览器

在selenium库中通过以下代码可以查看支持的浏览器类型

webdriver.浏览器类型名（）

 通过以上方法我们也可以加载浏览器的驱动使用形式如下如下

webdriver.浏览器类型名（executable_path，options，service，keep_alive）

服务配置参数

from selenium import webdriver

# 基本初始化
driver = webdriver.Chrome()

# 带选项初始化
from selenium.webdriver.chrome.options import Options

chrome_options = Options()
chrome_options.add_argument('--headless')  # 无头模式
chrome_options.add_argument('--disable-gpu')  # 禁用GPU加速
chrome_options.add_argument('--window-size=1920x1080')  # 设置窗口大小

driver = webdriver.Chrome(options=chrome_options)

 通过以下方法就可以的读取浏览器内容

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
import time

# 方案 A：驱动已加入 PATH
driver = webdriver.Edge()

# 方案 B：手动指定驱动路径（取消下一行注释）
# driver = webdriver.Edge(executable_path=r"C:\path\to\edgedriver.exe")

driver.get("https://www.baidu.com")
driver.find_element(By.ID, "kw").send_keys("Edge Selenium", Keys.RETURN)
time.sleep(3)
driver.save_screenshot("baidu_result.png")
driver.quit()

send_keys() 是 Selenium WebDriver 中用于向网页元素输入内容的核心方法，主要用于文本框、文本域等可输入元素的交互操作。

from selenium import webdriver
from selenium.webdriver.common.by import By

driver = webdriver.Chrome()
driver.get("https://www.example.com/login")

# 定位用户名输入框并输入文本
username = driver.find_element(By.ID, "username")
username.send_keys("testuser")

# 定位密码输入框并输入文本
password = driver.find_element(By.NAME, "password")
password.send_keys("securepassword123")

from selenium.webdriver.common.keys import Keys

search_box = driver.find_element(By.NAME, "q")
search_box.send_keys("selenium")  # 输入文本
search_box.send_keys(Keys.RETURN)  # 模拟回车键