使用Python爬虫抓站的一些技巧总结

Python作为一种非常流行的编程语言，被广泛地应用于各个领域，其中爬虫技术在大数据、人工智能等领域中扮演着重要的角色。但是爬虫技术也有一些技巧和注意点需要掌握，本文将会对使用Python爬虫抓站的一些技巧进行总结。

一. 常见的爬虫框架

1. Scrapy：Scrapy 是一个为了爬取网站数据，提取结构性数据而编写的应用框架。同时也可以用于数据挖掘和信息处理，并可以应用在广泛的领域中，例如数据挖掘，信息处理或存储历史数据等。因此，Scrapy 使用广泛，为用户提供了高效的Web爬取规划和即时数据提取的机制。
2. Beautiful Soup：Beautiful Soup是一个使用Python进行网页解析的库。它可以将 HTML 和 XML 文件转化为解析树，通过遍历这个树来提取出所需要的信息。

二、编写爬虫的基本思路

• 分析网站结构，确定所需的数据；
• 通过网络请求爬取页面上的数据；
• 使用合适的库对数据进行解析、存储等操作；
• 对数据进行清洗和分析。

三、避免反爬机制

• 设置请求头：一般情况下，服务器会通过请求头来识别请求的来源。所以可以通过设置请求头中的User-Agent等参数来伪装成浏览器请求数据，从而避免被识别为爬虫程序。
• 降低爬取频率：如果请求的频率过高，一方面容易影响服务器的正常运行，另一方面也容易被服务器检测到是非正常请求。
• 使用代理IP：使用代理IP能够避免同一IP请求过于频繁，使得服务端不能正常运行从而封禁该IP的现象。在Python中可以使用requests库中的proxies参数来设置代理IP。
• 使用验证码自动识别技术：有些网站设置了验证码等反爬机制。为了避免这种情况，可以使用第三方的验证码识别服务来自动识别并输入验证码。

四、示例说明

示例1：使用requests+Beautiful Soup 对简书的文章进行爬取

1. 分析网站结构，确定所需的数据

我们需要爬取简书网站上的文章，因此我们需要去简书网站浏览页面，确定所需数据的网页元素位置和访问地址。

2. 通过网络请求爬取页面上的数据

在Python中我们可以使用 requests 库来完成网站数据的请求和响应，如下：

import requests

# 获取简书博客页面的HTML代码
url = "https://www.jianshu.com"
r = requests.get(url)
content = r.content.decode('utf-8')

3. 使用Beautiful Soup 对数据进行解析

通过Beautiful Soup库可以非常方便地解析网页中的HTML和XML代码，并且可以根据需要进行数据的提取和操作，如下：

from bs4 import BeautifulSoup

# 解析简书博客页面的HTML代码
soup = BeautifulSoup(content, "html.parser")
# 找到所有文章标题元素
titles = soup.find_all('a', {'class': 'title'})
# 输出文章标题
for title in titles:
    print(title.string)

4. 对数据进行清洗和分析

对于爬取到的数据，如果不进行清洗和分析，很难达到我们预期的效果。例如对于获取到的文章内容，我们需要去除其中的HTML标签和空格等无用信息，只保留正文内容，可以通过如下方式进行清洗：

# 处理文章内容
for title in titles:
    # 获取文章链接
    link = "https://www.jianshu.com" + title.get("href")
    text_r=requests.get(link)
    # 解析网页 HTML 代码
    soup_text = BeautifulSoup(text_r.content, 'html.parser')
    # 获取文章内容
    article_text = soup_text.find('div', {'class': 'show-content-free'}).get_text()
    # 处理文章内容，去除无用字符
    article_text = article_text.replace('\n', '').replace(' ', '')
    # 输出文章内容
    print(article_text)

示例2：使用 Scrapy 对京东商品进行爬取

1. 分析网站结构，确定所需的数据

我们需要爬取京东网站上的商品，因此我们需要去京东网站浏览页面，确定我们需要爬取的商品的网页元素位置和访问地址。

2. 使用 Scrapy 爬取京东商品

按照 Scrapy 爬虫的通用流程，我们将会新建一个 Scrapy 项目进行爬取：

# 1. 创建 Scrapy 项目
scrapy startproject jd

# 2. 创建爬虫类
cd jd
scrapy genspider jdbook book.jd.com

添加如下代码到京东 book.jd.com 上：

# 获取书籍列表
def parse(self, response):
    # 遍历获取书籍标题、价格
    for sel in response.xpath('//ul[@class="gl-warp clearfix"]/li'):
        # 获取书籍标题和价格
        title = sel.xpath('div/div/a/em/text()').extract()[0]
        price = sel.xpath('div/div/strong/i/text()').extract()[0]
        # 输出数据
        print(title, price)

3. 对数据进行清洗和分析

对于爬取到的商品，我们可以通过 Scrapy 爬虫框架提供的特性对数据进行清洗和分析。例如可以将数据存储到数据库中、去重复等操作。这里我们将数据存储到csv文件中：

class JdbookSpider(scrapy.Spider):
    def __init__(self, name=None, **kwargs):
        super().__init__(name, **kwargs)
        self.page = 1

    # 书籍列表页
    def start_requests(self):
        url = "https://list.jd.com/list.html?cat=1713,3258,3305&page=%s"
        urls = [url % i for i in range(1, 2)]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    # 获取书籍列表
    def parse(self, response):
        # 遍历获取书籍标题、价格
        for sel in response.xpath('//ul[@class="gl-warp clearfix"]/li'):
            # 获取书籍标题和价格
            title = sel.xpath('div/div/a/em/text()').extract()[0]
            price = sel.xpath('div/div/strong/i/text()').extract()[0]

            # 保存数据到csv
            with open('goods.csv', 'a', newline='') as file:
                writer = csv.writer(file)
                writer.writerow([title, price])
            # 输出数据
            print(title, price)

以上是对Scrapy爬虫框架进行简单的应用和说明， Scrapy 还有更丰富的特性和丰富的扩展，能够帮助我们更加轻松地完成爬虫任务。

五、总结

本文介绍了使用Python进行爬虫开发时常见的技巧和注意点。在实际使用中，我们应该根据不同的场景和数据需求选择合适的爬虫框架、合适的爬虫方法。如果存在反爬机制，我们可以通过一些技巧进行绕过；同时也需要注意爬取频率等细节问题。在进行数据清洗和分析时，应该根据具体需求选择适当的方式进行，不可盲目使用，否则会浪费大量时间和资源。