Python3网络爬虫开发实战爬虫基础库




import requests
from bs4 import BeautifulSoup
import re
import time
import random
 
# 设置请求头信息,模拟浏览器访问
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}
 
def get_html(url):
    """发送请求,获取网页内容"""
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        return None
    except requests.RequestException:
        return None
 
def parse_html(html):
    """解析网页内容,提取有效信息"""
    soup = BeautifulSoup(html, 'html.parser')
    # 提取帖子标题
    titles = soup.find_all('a', class_='j_thread_title')
    for title in titles:
        yield title.get_text()
 
def save_data(data, filename):
    """将数据保存到文件"""
    with open(filename, 'a', encoding='utf-8') as f:
        f.write(data + '\n')
 
def crawl_page(url, filename):
    """爬取页面内容"""
    html = get_html(url)
    if html:
        for title in parse_html(html):
            print(title)
            save_data(title, filename)
            # 为了避免爬虫被封,这里随机休眠几秒
            time.sleep(random.randint(1, 3))
 
if __name__ == '__main__':
    url = 'https://www.example.com/page/number/1'
    filename = 'example.txt'
    crawl_page(url, filename)

这个示例代码展示了如何使用requests库获取网页内容,使用BeautifulSoup进行网页解析,以及如何使用简单的正则表达式提取帖子标题。同时,代码中还包含了异常处理和随机休眠,以防被服务器封禁。这些技巧对于开发健壮的网络爬虫至关重要。

最后修改于:2024年08月09日 12:37

评论已关闭

推荐阅读

DDPG 模型解析,附Pytorch完整代码
2024年11月24日
DQN 模型解析,附Pytorch完整代码
2024年11月24日
AIGC实战——Transformer模型
2024年12月01日
Socket TCP 和 UDP 编程基础(Python)
2024年11月30日
python , tcp , udp
如何使用 ChatGPT 进行学术润色?你需要这些指令
2024年12月01日
AI
最新 Python 调用 OpenAi 详细教程实现问答、图像合成、图像理解、语音合成、语音识别(详细教程)
2024年11月24日
ChatGPT 和 DALL·E 2 配合生成故事绘本
2024年12月01日
omegaconf,一个超强的 Python 库!
2024年11月24日
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测
2024年12月01日
[超级详细]如何在深度学习训练模型过程中使用 GPU 加速
2024年11月29日
Python 物理引擎pymunk最完整教程
2024年11月27日
MediaPipe 人体姿态与手指关键点检测教程
2024年11月27日
深入了解 Taipy:Python 打造 Web 应用的全面教程
2024年11月26日
基于Transformer的时间序列预测模型
2024年11月25日
Python在金融大数据分析中的AI应用(股价分析、量化交易)实战
2024年11月25日
AIGC Gradio系列学习教程之Components
2024年12月01日
Python3 `asyncio` — 异步 I/O,事件循环和并发工具
2024年11月30日
llama-factory SFT系列教程:大模型在自定义数据集 LoRA 训练与部署
2024年12月01日
Python 多线程和多进程用法
2024年11月24日
Python socket详解,全网最全教程
2024年11月27日