阅读量:0
Python 爬虫技术是一种自动化获取网页内容的方法，通常用于数据收集、信息抽取或自动化测试。在讲解 Python 爬虫技术时，我们通常会涉及到以下几个关键概念：
HTTP 请求：爬虫通过发送 HTTP 请求来获取网页内容，这是爬虫与服务器交互的基础。
API：API（Application Programming Interface）是应用程序编程接口，它允许不同的软件应用之间进行交互。API 通常定义了一组规则和协议，使得不同的系统能够通过 HTTP 请求和响应进行数据交换。
RESTful 服务：RESTful 是一种基于 HTTP 协议的网络服务架构风格，它使用标准的 HTTP 方法（如 GET、POST、PUT、DELETE 等）来操作网络上的资源。RESTful 服务通常易于使用和扩展，因为它们遵循统一的接口。
Python 爬虫技术详解
请求网页：使用 Python 的
requests库来发送 HTTP 请求，获取网页的 HTML 或 JSON 数据。import requests response = requests.get('http://example.com')解析内容：使用
BeautifulSoup或lxml等库来解析 HTML 或 XML 内容，提取所需的数据。from bs4 import BeautifulSoup soup = BeautifulSoup(response.text, 'html.parser')数据存储：将提取的数据存储到数据库或文件中，以便进一步分析或使用。
# 假设提取的数据是一个列表 data = [item.text for item in soup.find_all('li')]处理 API：如果目标网站提供了 API，可以通过 API 直接获取数据，这通常比直接爬取网页更高效、更稳定。
api_response = requests.get('http://api.example.com/data')遵守规则：在使用爬虫技术时，需要遵守目标网站的
robots.txt文件规定，尊重版权和隐私政策。异常处理：编写代码时，需要考虑到网络请求可能失败的情况，并进行相应的异常处理。
try: response = requests.get('http://example.com') response.raise_for_status() # 检查请求是否成功 except requests.exceptions.HTTPError as err: print(f"HTTP error occurred: {err}")使用会话：对于需要多次请求同一服务器的情况，使用
requests.Session()可以提高效率。模拟浏览器：有时网站可能需要用户代理（User-Agent）或其他浏览器特性，可以通过设置请求头来模拟浏览器行为。
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' } response = requests.get('http://example.com', headers=headers)使用代理：在爬取过程中可能会遇到 IP 被封的情况，使用代理可以绕过这些限制。
异步请求：对于需要发送大量请求的情况，可以使用
aiohttp等异步库来提高效率。
RESTful 服务的使用
理解资源：RESTful 服务通常将数据表示为资源，每个资源都有一个唯一的标识符（URI）。
使用 HTTP 方法：根据需要执行的操作（如获取、创建、更新、删除）选择相应的 HTTP 方法。
# 获取资源 response = requests.get('http://api.example.com/resource') # 创建资源 response = requests.post('http://api.example.com/resource', json=data) # 更新资源 response = requests.put('http://api.example.com/resource/1', json=data) # 删除资源 response = requests.delete('http://api.example.com/resource/1')处理状态码：理解并处理不同的 HTTP 状态码，例如 200 表示成功，404 表示未找到，500 表示服务器错误等。
使用 JSON：RESTful 服务通常使用 JSON 作为数据交换格式，需要熟悉如何发送和解析 JSON 数据。
认证和授权：如果 RESTful 服务需要认证，可能需要在请求中包含认证信息，如 OAuth 令牌。
错误处理：正确处理 API 调用中可能出现的错误，如网络错误、数据格式错误等。
通过上述步骤，你可以构建一个基本的 Python 爬虫，或者使用 RESTful 服务来获取和操作数据。记住，爬虫的使用应遵守法律法规和网站的使用条款。
让我们通过一个具体的案例来讲解 Python 爬虫技术的应用，以及如何使用 RESTful API 服务。
案例：爬取在线商店的商品信息
假设我们想要爬取一个在线商店的商品信息，包括商品名称、价格、库存状态等。
步骤 1: 确定数据来源
首先，我们需要确定数据来源。如果商店提供了 API，我们应优先使用 API，因为它通常更稳定、更快速，并且可以减少对网站服务器的压力。
步骤 2: 注册 API 并获取密钥
许多 API 服务需要注册并获取一个 API 密钥（API Key），以验证请求的合法性。
步骤 3: 阅读 API 文档
阅读 API 提供的文档，了解如何构造请求，包括基本的 URL、支持的 HTTP 方法、请求参数、认证方式等。
步骤 4: 使用 Python 发送请求
使用 requests 库构造请求并获取数据。
import requests api_url = 'https://api.examplestore.com/products' api_key = 'your_api_key_here' headers = { 'Authorization': f'Bearer {api_key}', 'Content-Type': 'application/json' } # 发送 GET 请求获取商品列表 response = requests.get(api_url, headers=headers) products = response.json() 步骤 5: 解析数据
解析返回的 JSON 数据，提取所需的商品信息。
for product in products['data']: print(f"Product Name: {product['name']}") print(f"Price: {product['price']}") print(f"In Stock: {product['in_stock']}") print("-" * 30) 步骤 6: 存储数据
将提取的数据存储到适当的格式或数据库中。
import csv # 将数据写入 CSV 文件 with open('products.csv', 'w', newline='', encoding='utf-8') as file: writer = csv.writer(file) writer.writerow(['Product Name', 'Price', 'In Stock']) for product in products['data']: writer.writerow([product['name'], product['price'], product['in_stock']]) 步骤 7: 处理分页
如果 API 支持分页，需要处理分页以获取所有数据。
page = 1 while True: params = {'page': page} response = requests.get(api_url, headers=headers, params=params) page_data = response.json() if not page_data['data']: break for product in page_data['data']: print(f"Product Name: {product['name']}") page += 1 步骤 8: 异常处理
添加异常处理逻辑，确保程序的健壮性。
try: response = requests.get(api_url, headers=headers) response.raise_for_status() # 检查请求是否成功 except requests.exceptions.HTTPError as err: print(f"HTTP error occurred: {err}") except requests.exceptions.RequestException as e: print(f"Error during requests to {api_url}: {e}") 步骤 9: 遵守爬虫礼仪
确保你的爬虫遵守 robots.txt 规则，不要发送请求过于频繁，以免对服务器造成过大压力。
步骤 10: 使用代理和用户代理
如果遇到 IP 被封的情况，可以使用代理和更改用户代理。
proxies = { 'http': 'http://10.10.1.10:3128', 'https': 'http://10.10.1.10:1080', } headers['User-Agent'] = 'Your Custom User Agent' 通过这个案例，你可以看到 Python 爬虫技术的实际应用，以及如何与 RESTful API 服务交互。记住，实际应用中还需要考虑更多的细节，如请求频率控制、数据的进一步清洗和分析等。
好的，让我们继续优化上述案例，使其更加健壮和高效。
优化点 1: 动态处理分页
在处理分页时，我们不仅要考虑循环获取数据，还要考虑 API 的分页参数可能有所不同，以及如何动态地处理分页。
def fetch_all_products(api_url, api_key): headers = { 'Authorization': f'Bearer {api_key}', 'Content-Type': 'application/json' } params = {} products = [] while True: response = requests.get(api_url, headers=headers, params=params) page_data = response.json() if not page_data['data']: break products.extend(page_data['data']) # 动态检查API的分页参数，可能是'page'或'offset' if 'next_page' in page_data: params = {'page': page_data['next_page']} elif 'next_offset' in page_data: params['offset'] = page_data['next_offset'] else: break return products # 使用函数 api_key = 'your_api_key_here' all_products = fetch_all_products(api_url, api_key) 优化点 2: 异步请求
如果 API 允许并发请求，使用异步请求可以显著提高数据获取的效率。
import asyncio import aiohttp async def fetch_product(session, url, headers): async with session.get(url, headers=headers) as response: return await response.json() async def fetch_all_products_async(api_url, api_key): headers = { 'Authorization': f'Bearer {api_key}', 'Content-Type': 'application/json' } tasks = [] products = [] page = 1 while True: url = f"{api_url}?page={page}" task = fetch_product(aiohttp.ClientSession(), url, headers) tasks.append(task) if len(tasks) >= 5: # 限制同时进行的请求数量 responses = await asyncio.gather(*tasks) products.extend([resp['data'] for resp in responses]) tasks.clear() if not tasks: # 检查是否还有下一页 break page += 1 return products # 使用异步函数 api_key = 'your_api_key_here' loop = asyncio.get_event_loop() all_products_async = loop.run_until_complete(fetch_all_products_async(api_url, api_key)) 优化点 3: 错误重试机制
在网络请求中，引入错误重试机制可以提高爬虫的稳定性。
from requests.adapters import HTTPAdapter from requests.packages.urllib3.util.retry import Retry def requests_retry_session( retries=3, backoff_factor=0.3, status_forcelist=(500, 502, 504), session=None, ): session = session or requests.Session() retry = Retry( total=retries, read=retries, connect=retries, backoff_factor=backoff_factor, status_forcelist=status_forcelist, ) adapter = HTTPAdapter(max_retries=retry) session.mount('http://', adapter) session.mount('https://', adapter) return session # 使用带重试的会话 session = requests_retry_session() response = session.get(api_url, headers=headers) 优化点 4: 日志记录
添加日志记录可以帮助我们更好地监控爬虫的状态和调试问题。
import logging logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s') try: response = session.get(api_url, headers=headers) response.raise_for_status() except requests.exceptions.HTTPError as err: logging.error(f"HTTP error occurred: {err}") except requests.exceptions.RequestException as e: logging.error(f"Error during requests to {api_url}: {e}") 优化点 5: 遵守爬虫协议
确保爬虫遵守 robots.txt 文件的规定，并设置合理的请求间隔，避免给网站服务器带来过大压力。
import time import robotparser rp = robotparser.RobotFileParser() rp.set_url("http://examplestore.com/robots.txt") rp.read() if rp.can_fetch("*", api_url): # 检查是否可以爬取API URL response = session.get(api_url, headers=headers) else: logging.warning("Crawling blocked by robots.txt") time.sleep(1) # 休息一段时间再尝试 优化点 6: 数据清洗和验证
在存储数据前，进行数据清洗和验证，确保数据的准确性和一致性。
def clean_data(product): cleaned_product = {} for key, value in product.items(): if key in ['name', 'price', 'in_stock']: if key == 'price': cleaned_product[key] = float(value) # 确保价格是数字类型 elif key == 'in_stock': cleaned_product[key] = bool(value) # 确保库存是布尔类型 else: cleaned_product[key] = value.strip() # 去除字符串两端的空白字符 return cleaned_product cleaned_products = [clean_data(product) for product in all_products] 通过这些优化点，我们的爬虫不仅更加健壮和高效，而且更加专业和符合最佳实践。
