当前位置：首页 > article >正文

爬虫小白看过来！详细的Python爬虫分析和案例展示

article 2025/8/23 12:48:55

前言

爬虫需要哪些 （文末送读者福利）

1、爬虫架构

（1）爬虫调度器主要配合调用其他四个模块。所谓调度，就是调用其他模板。

（2）URL管理器负责管理URL链接。URL链接分为爬行链接和未爬行链接，需要URL管理器来管理。同时，它还为获取新的URL链接提供了接口。

（3）HTML下载器是下载要抓取的页面的HTML。

（4）HTML解析器是从HTML源代码中获取爬行的数据，同时向URL管理器发送新的URL链接，并向数据存储器发送处理后的数据。

（5）数据存储器是将HTML下载器发送的数据存储在本地。

2、爬虫原理

在编写python爬虫程序时，只需要做以下两件事：

发送GET请求，获取HTML

解析HTML，获取数据

3、使用ip代理

使用Python爬虫时，经常会遇到有反爬机制的网站。我们可以通过伪装headers爬行，但网站仍然可以获得您的ip，从而禁止您的ip爬行信息。

爬虫为什么能快速爬取

python爬虫是最方便快捷获取数据的方法，不过很多小伙伴还没有切实地感受过。爬行数据基本上通过网页URL获得该网页的源代码，根据源代码筛选必要的信息。

1、爬虫的准备

requests：获取网页源代码

lxml：得到网页源代码中的指定数据

2、爬虫快速的原因

requests可以很方便地让我们得到网页的源代码网页，同时lxml能够很快来筛选出我们所需要的信息。

3、完整代码实例

import requests
import lxml

html = requests.get(“https://coder-lida.github.io/”)
print (html.text)

在这里插入图片描述

爬虫爬取网页

1、为什么需要用爬虫？

为其他程序提供数据源，如搜索引擎(百度、Google等)、数据分析、大数据等等。

2、python爬虫设计思路

（1）、首先确定需要爬取的网页URL地址；

（2）、通过HTTP协议来获取对应的HTML页面；

（3）、提取html页面里的有用数据；

（4）、如果是需要的数据就保存起来，如果是其他的URL，那么就执行第二步。

3、python爬虫实例：爬取网页新闻内容

（1）、确定爬取网页内容的网络地址

https://k.sina.com.cn/article_6192937794_17120bb42020015u42.html?from=health

（2）、实施爬虫代码

import requests
from bs4 import BeautifulSoup
res =requests.get(‘https://k.sina.com.cn/article_6192937794_17120bb42020015u42.html?from=health’)
res.encoding=‘utf-8’

soup=BeautifulSoup(res.text, ‘html.parser’)
title=soup.select(‘#artibody’)[0].text

print(title)

以上就是python爬虫爬取网页新闻内容的简单实现，是不是很简单的，快尝试看看吧~更多python爬虫学习推荐：python爬虫教程。

4、解决网站访问频次过高问题

现在很多网站对异常用户访问网站频次过高设置了安全访问机制。在这个时候，如果你想继续访问这个网站，HTTP代理ip

非常重要。

当前ip地址有限，可以更改新的ip地址，保证爬虫的顺利进行。

推荐使用优质的代理ip资源，保证爬虫程序的顺利进行。

实战案例——爬去汽车之家网站上的图片
在这里插入图片描述
随着生活水平的提高和快节奏生活的发展。汽车开始慢慢成为人们的必需品，浏览各种汽车网站便成为购买合适、喜欢车辆的前提。例如汽车之家网站中就有最新的报价和图片以及汽车的相关内容，是提供信息最快最全的中国汽车网站。本文介绍python爬虫爬取汽车之家网站上的图片的思路和具体演示代码。

一、爬取汽车之家网站上的图片思路分析

1、分析页面，确认图片的url是否在网页源码。

2、确认是静态数据后，先找到总的ul标签，再找它里面的li标签，最后在img标签里面的src属性，即可获得想要的图片url地址。

3、通过切割图片url的方式获取图片名字。

4、完成图片命名后，使用os模块确定图片存放的路径。

二、设置爬虫代理IP

在做爬虫的过程中，如果你爬取的频率过快，不符合人的操作模式。有些网站的反爬虫机制通过监测到你的IP异常，访问频率过高。就会对你进行封IP处理。目前已有比较多的第三方平台专门进行代理IP的服务。

三、爬取汽车之家网站上的图片具体代码

# piplines管道代码
from urllib import request
import osclass VehicleHomePipeline:def process_item(self, item, spider):pic_url = item['pic_url']# 得到图片名字pic_name = pic_url.split('__')[-1]  # 得到xxx.jpg# os.path.dirname(__file__) 结果 D:\PycharmProjects\spider\day21\vehicle_home\vehicle_home\# 创建图片存放路径 xxx\vehicle_home\result_picpic_path = os.path.join(os.path.dirname(__file__), 'result_pic')# 下载图片 xxx\vehicle_home\result_pic\xxx.jpgrequest.urlretrieve(pic_url, pic_path + '/' + pic_name)return item# 爬虫代码
import scrapy
from day21.vehicle_home.vehicle_home.items import VehicleHomeItemclass VehPicSpider(scrapy.Spider):name = 'veh_pic'allowed_domains = ['car.autohome.com.cn']base_url = 'https://car.autohome.com.cn/photolist/series/18/p{}/'start_urls = [base_url.format(1)]def parse(self, response):# 获取图片标签列表pic_lists = response.xpath('//ul[@id="imgList"]/li')for pic in pic_lists:pic_url = pic.xpath('./a/img/@src').extract_first()# 上述获取的url需要进一步补全pic_url = response.urljoin(pic_url)item = VehicleHomeItem()item['pic_url'] = pic_urlprint(item)yield item# 翻页逻辑for page in range(2, 3):next_url = self.base_url.format(page)yield scrapy.Request(next_url)