网络爬虫快速入门及爬取百度搜索结果（附源码）

前言

爬虫的基本结构及工作流程

1. 确定目标

首先，确定你想要爬取的目标，包括目标网站或网页、需要提取的数据类型（如文本、图片、视频等）以及爬取的深度（单页、整个网站等）。

2. 获取网页内容

使用HTTP请求获取网页内容。这通常涉及发送GET或POST请求到目标网址。

3. 解析网页内容

解析获取的网页内容以提取有用的数据。这通常需要解析HTML或其他标记语言。

4. 数据提取

从解析后的网页内容中提取你需要的数据，如文本、链接、图片URL等。

5. 数据存储

将提取的数据存储到合适的地方，如文件、数据库或内存中。

6. 异常处理和日志记录

处理可能出现的异常情况，如网络错误、网页结构变更等，并记录日志以便后续分析和调试。

网络爬虫的基本工作流程：

初始化爬虫：设置初始URL和其他配置参数。

发送HTTP请求：使用HTTP库发送请求获取网页内容。

解析网页：使用解析库（如BeautifulSoup、lxml等）解析网页内容。

数据提取：根据网页结构从解析后的内容中提取数据。

存储数据：将提取的数据存储到文件、数据库或其他数据存储介质中。

检查结束条件：根据设定的结束条件（如爬取深度、时间限制等）决定是否继续爬取。

异常处理：处理可能出现的异常，并记录日志。

循环爬取：根据上述步骤循环执行，直到满足结束条件。

urllib网络请求库

urllib 是 Python 标准库中的一个模块，用于处理与 URL 相关的请求。它提供了一系列的模块来进行各种网络操作，如发送 HTTP 请求、处理 cookie、处理 URL 解析等。

urllib 主要模块：

urllib.request: 用于打开和读取 URL。
urllib.error: 包含 urllib.request 产生的异常。
urllib.parse: 用于解析 URL。
urllib.robotparser: 用于解析 robots.txt 文件。

主要功能：

1. 发送 HTTP 请求

urllib.request.urlopen() 方法可以用于发送 HTTP GET、POST、PUT、DELETE 等请求。

from urllib import requestwith request.urlopen('https://www.example.com') as response:html = response.read()print(html)

2. URL 解析

urllib.parse 模块提供了 urlparse() 和 urljoin() 等函数，用于解析和构造 URL。

from urllib.parse import urlparse, urljoinparsed_url = urlparse('https://www.example.com/path?query=value')
print(parsed_url.scheme)  # 输出：'https'
print(parsed_url.netloc)  # 输出：'www.example.com'
print(parsed_url.path)    # 输出：'/path'
print(parsed_url.query)   # 输出：'query=value'base_url = 'https://www.example.com'
absolute_url = urljoin(base_url, '/path')
print(absolute_url)  # 输出：'https://www.example.com/path'

3. 处理异常

urllib.error 模块定义了与 urllib.request 相关的异常，如 HTTPError、URLError 等。

from urllib import request, errortry:response = request.urlopen('https://www.nonexistent.com')
except error.URLError as e:print(f"Failed to reach the server: {e.reason}")

4. 处理 Cookie

虽然 urllib 提供了基本的 Cookie 支持，但它的功能相对有限。在处理复杂的 Cookie 操作时，可能需要使用 http.cookiejar 模块。

from urllib import request, parseurl = 'https://www.example.com/post_endpoint'
data = {'key': 'value'}# 将字典类型的数据转换为 URL 编码的字符串
data = parse.urlencode(data).encode()req = request.Request(url, data=data, method='POST')
with request.urlopen(req) as response:print(response.read().decode())

requests 网络请求库

requests 是被广泛使用的 HTTP 客户端库，它提供了简洁的 API，使得发送 HTTP 请求变得容易和直观。相较于 Python 的内置库 urllib，requests 更为友好、功能丰富。

安装

你可以使用 pip 来安装 requests：

pip install requests

请求网页的原理及流程

原理：

requests 库基于 urllib3，它是一个更低级别的库，提供了对 HTTP 连接的封装和管理。当你发送一个 HTTP 请求时，requests 会使用 urllib3 来建立连接、发送请求和接收响应。

流程：

创建会话（Session）：使用 requests.Session() 创建一个会话对象，这允许你在多个请求之间保持 cookies 和其他状态。

构建请求：使用 requests.get(), requests.post(), requests.put() 等方法构建和发送 HTTP 请求。这些方法接受 URL、参数、头部、数据等参数。

发送请求：requests 库会处理与服务器的连接、请求头、数据传输等细节，然后发送 HTTP 请求。

接收响应：一旦服务器响应，requests 会接收并处理响应，提供响应状态码、头部、内容等信息。

数据处理：你可以直接访问响应内容，或使用 json()、text、content 等方法获取内容。

关闭会话：对于使用了会话的情况，最后需要关闭会话以释放资源。

主要功能

简单易用的 API：requests 提供了简单直观的 API，使得发送 HTTP 请求变得非常容易。

多种请求方法：支持 GET、POST、PUT、DELETE、HEAD 等多种 HTTP 请求方法。

自动解码：自动处理响应内容的编码，如 UTF-8。

文件上传：支持文件上传，包括表单和多部分上传。

会话管理：支持会话（Session），允许在多个请求之间保持 cookies、身份验证等状态。

SSL 证书验证：支持 SSL 证书验证，并提供了快速和简便的方式来处理 SSL/TLS 连接问题。

连接池管理：自动管理 HTTP 连接池，提高请求效率。

重定向和历史：自动处理 HTTP 重定向，并记录请求的历史。

异常处理：定义了一组异常类，如 requests.exceptions.RequestException，方便错误处理。

应用代码：

# 发送 GET 请求
response = requests.get('https://www.baidu.com')
print(response.status_code)
print(response.text)# 发送 POST 请求
data = {'key': 'value'}
response = requests.post('https://www.baidu.com/post', data=data)
print(response.json())# 文件上传
files = {'file': open('file.txt', 'rb')}
response = requests.post('https://www.baidu.com/upload', files=files)
print(response.text)# 会话管理
with requests.Session() as session:session.get('https://www.example.com/login', params={'username': 'user', 'password': 'pass'})response = session.get('https://www.example.com/dashboard')print(response.text)

Postman 简介

Postman 是一个流行的 API 测试工具，它提供了一个直观、用户友好的界面，用于创建、测试和管理 HTTP 请求和 API。无论是测试 RESTful API、SOAP 服务还是 HTTP 请求，Postman 都为开发人员、测试人员和 API 设计者提供了一个强大的平台。

主要功能:

创建和发送请求：支持各种 HTTP 请求方法（如 GET、POST、PUT、DELETE、PATCH 等），并允许自定义请求头、请求参数、请求体等。

自动化测试：可以创建测试脚本来验证 API 的响应，例如检查响应状态码、响应时间、JSON 断言等。

环境和变量：支持环境变量和全局变量，方便管理不同环境（如开发、测试、生产）的配置。

集合和集合运行器：允许将相关的 API 请求组织成集合，并使用集合运行器批量运行这些请求。

数据驱动：支持 CSV 和 JSON 数据文件，可以使用这些文件进行数据驱动的测试。

身份验证：支持各种身份验证方式，如基本认证、摘要认证、OAuth 1.0、OAuth 2.0 等。

自定义脚本：使用 JavaScript 脚本，可以进行高级的数据处理和测试逻辑。

历史记录和收藏夹：保存你发送过的请求和响应，方便后续查看和复用。

团队协作：支持团队协作，可以与团队成员共享集合、环境和测试脚本。

使用步骤：

打开 Postman：安装完成后，打开 Postman 应用。

创建请求：在新建请求页签中，选择 HTTP 请求方法（如 GET、POST），输入 URL、请求头、请求体等。

发送请求：点击“发送”按钮，发送请求并查看响应。

测试和验证：在“测试”选项卡中，编写测试脚本来验证 API 响应。

保存和分享：将请求保存到集合中，或分享给团队成员。

管理环境和变量：在“环境”选项卡中管理环境变量和全局变量。

演示实用教程

以百度为例：

通过Postman测试访问情况：

返回数据内容：

所以Postman 是一个非常强大和灵活的 API 测试工具，它的直观界面和丰富的功能使得 API 测试和开发变得更加高效和便捷。无论你是开发人员、测试人员还是 API 设计者，都会发现 Postman 是一个不可或缺的工具，同时也是爬虫工程师必不可少的工具。

爬取百度搜索结果（附源码）

模拟用户搜索并解析搜索结果页面，未为了模拟更真实的用户请求，我们可以添加一些请求头信息，如用户代理、Referer、以及可能的其他请求头，以更好地模拟浏览器发出的请求。

# -*- coding:utf-8 -*-
import requests
from lxml import etree
import time
import osclass BaiDu_Spider(object):def __init__(self, keyword):"""初始化方法，设置基本属性和 URL"""self.base_url = 'https://www.baidu.com/s?wd={}'self.keyword = keywordself.url = self.base_url.format(self.keyword) + '&pn={}&ie=utf-8'def get_html(self, page):"""发送请求获取页面内容，并解析页面内容"""headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36'}try:# 发送 GET 请求r = requests.get(self.url.format(page), headers=headers)# 检查响应状态码，如果不是 200，则抛出异常r.raise_for_status()# 设置编码r.encoding = 'utf-8'# 使用 lxml 解析页面内容res = etree.HTML(r.text)# 提取搜索结果selector = res.xpath('//div[@id="content_left"]/div[@class="result c-container new-pmd"]')data_list = []for data in selector:item = {'title': ''.join(data.xpath('./h3/a/text()')),'link': ''.join(data.xpath('./h3/a/@href'))}data_list.append(item)# 检查是否有下一页，返回搜索结果和是否有下一页的标志flag = res.xpath('//div[@id="page"]/div/a[last()]/text()')return data_list, bool(flag)except requests.RequestException as e:# 捕获 requests 异常print(f"An error occurred: {e}")return [], Falseexcept Exception as e:# 捕获其他异常print(f"An unexpected error occurred: {e}")return [], Falsedef save_data(self, item):"""保存数据到文件"""with open(crawl_result, 'a', encoding='utf-8') as f:data = f"{item['title']}\t{item['link']}"print(data)f.write(data + '\n')def main():"""主函数，控制爬虫流程"""n = 0while True:# 获取当前页的搜索结果和是否有下一页的标志data_list, flag = spider.get_html(n)# 遍历搜索结果，并保存数据for data in data_list:spider.save_data(data)# 延迟 2 秒time.sleep(2)# 如果有下一页，继续爬取；否则退出if flag:n += 10else:print(f'程序已经退出，在{int(n / 10) + 1}页......')breakif __name__ == '__main__':# 设置搜索关键词和保存数据的文件路径keyWord = 'Python'crawl_result = os.path.join(os.getcwd(), f'crawl_{keyWord}.txt')  # 获取当前目录并设置文件路径# 创建爬虫对象并运行主函数spider = BaiDu_Spider(keyWord)main()

注意：百度的反爬虫机制可能会检测和阻止过于频繁或异常的请求，为了避免被封 IP，建议添加适当的延迟或使用代理 IP，并尽量模拟人类的搜索行为。此外，上述代码中的解析逻辑仍基于当前的搜索结果页面结构，如果百度更新了页面结构，可能需要更新解析逻辑。

今天的内容分享到这里了，创作不易，感谢大家的三连哦！