网络爬虫基础知识

网络爬虫基础知识

爬虫的定义

网络爬虫（Web Crawler 或 Spider）是一种自动化程序，用于在互联网上自动获取信息。它可以从一个或多个初始网页开始，读取网页内容，找到其中的链接，再通过这些链接找到下一个网页，如此循环，直到抓取完所有目标网页。

爬虫的工作流程

爬虫的基本工作流程包括以下几个步骤：

1. 发起请求：向目标网站发送HTTP请求。
2. 获取响应：接收服务器返回的HTML页面。
3. 解析内容：使用解析库（如BeautifulSoup）提取所需数据。
4. 存储数据：将提取的数据保存到本地文件或数据库中。

常用技术和工具

• HTTP协议：爬虫通过HTTP协议与网站服务器进行通信，常用的请求方法有GET和POST。
• 解析库：如BeautifulSoup、lxml，用于解析HTML和XML文档。
• 数据存储：可以使用CSV、JSON、数据库（如SQLite、MySQL）等方式存储数据。
  

爬虫的应用

网络爬虫的应用非常广泛，包括搜索引擎的网页抓取、数据挖掘、网站监测等。
通过了解这些基础知识，你可以开始构建自己的网络爬虫。以下是几个简短的爬虫应用代码示例：

1. 抓取天气信息

这个爬虫从一个天气网站抓取当前的天气信息。

import requests
from bs4 import BeautifulSoup

# 目标URL
url = "https://www.weather.com/weather/today/l/USCA0638:1:US"

# 发送HTTP请求
response = requests.get(url)
response.encoding = 'utf-8'

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

# 提取天气信息
temperature = soup.find('span', class_='CurrentConditions--tempValue--3KcTQ').text
condition = soup.find('div', class_='CurrentConditions--phraseValue--2xXSr').text

print(f"当前温度: {temperature}")
print(f"天气状况: {condition}")

2. 抓取新闻标题

这个爬虫从一个新闻网站抓取最新的新闻标题。

import requests
from bs4 import BeautifulSoup

# 目标URL
url = "https://news.ycombinator.com/"

# 发送HTTP请求
response = requests.get(url)
response.encoding = 'utf-8'

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

# 提取新闻标题
titles = soup.find_all('a', class_='storylink')

for title in titles:
    print(title.text)

3. 抓取股票价格

这个爬虫从一个股票网站抓取某只股票的当前价格。

import requests
from bs4 import BeautifulSoup

# 目标URL
url = "https://finance.yahoo.com/quote/AAPL/"

# 发送HTTP请求
response = requests.get(url)
response.encoding = 'utf-8'

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

# 提取股票价格
price = soup.find('fin-streamer', {'data-field': 'regularMarketPrice'}).text

print(f"苹果公司当前股价: {price}")

4. 抓取商品价格

这个爬虫从一个电商网站抓取某个商品的价格。

import requests
from bs4 import BeautifulSoup

# 目标URL
url = "https://www.amazon.com/dp/B08N5WRWNW"

# 发送HTTP请求
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36"
}
response = requests.get(url, headers=headers)
response.encoding = 'utf-8'

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

# 提取商品价格
price = soup.find('span', class_='a-price-whole').text

print(f"商品价格: {price}")

5. 抓取博客文章标题

这个爬虫从一个博客网站抓取最新的博客文章标题。

import requests
from bs4 import BeautifulSoup

# 目标URL
url = "https://medium.com/"

# 发送HTTP请求
response = requests.get(url)
response.encoding = 'utf-8'

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

# 提取博客文章标题
titles = soup.find_all('h2')

for title in titles:
    print(title.text)

这些示例展示了如何使用Python编写简单的爬虫来抓取不同类型的数据。