一、爬虫基础概念
什么是爬虫？
爬虫是模拟浏览器行为，自动获取网页数据的程序，常用于数据采集、信息监控等场景。
爬虫的基本流程：
1. 发送请求获取网页内容
2. 解析内容提取数据
3. 存储数据
二、环境准备
1. 安装 Python：推荐 Python 3.8+，官网 下载后按提示安装，记得勾选“Add to PATH”。
2. 安装必要库：
- requests ：发送 HTTP 请求（ pip install requests ）
- BeautifulSoup ：解析 HTML/XML 数据（ pip install beautifulsoup4 ）
- lxml ：高效解析库（ pip install lxml ，BeautifulSoup 可配合此库使用）
三、第一个爬虫：获取网页标题
以获取豆瓣电影首页标题为例，代码如下：
import requests
from bs4 import BeautifulSoup
# 1. 发送请求
url = "https://movie.douban.com/"
response = requests.get(url)
# 2. 处理编码（避免中文乱码）
response.encoding = response.apparent_encoding
# 3. 解析网页
soup = BeautifulSoup(response.text, 'lxml')
# 4. 提取数据：获取所有电影标题
movie_titles = soup.find_all('span', class_='title')
# 5. 输出结果
print("豆瓣电影首页部分标题：")
for title in movie_titles:
# 过滤非中文标题（避免广告等干扰）
if "·" not in title.text:
print(title.text)
代码解析：
- requests.get(url) 发送 GET 请求获取网页内容
- BeautifulSoup 用 lxml 解析器处理 HTML
- find_all('span', class_='title') 根据标签和类名提取元素
- 过滤逻辑避免输出非电影标题（如广告）
四、进阶：处理动态网页（以豆瓣短评为例）
动态网页数据通常通过 API 接口返回，需分析网络请求获取真实数据地址：
import requests
import json
# 豆瓣电影《奥本海默》短评 API（需从浏览器开发者工具获取）
api_url = "https://movie.douban.com/j/chart/top_list_comments"
params = {
"movie_id": "35477223", # 电影ID
"start": 0, # 起始评论数
"limit": 20, # 每页评论数
}
# 发送请求（带参数）
response = requests.get(api_url, params=params)
comments_data = json.loads(response.text) # 解析JSON数据
# 提取并输出评论
print("《奥本海默》短评：")
for comment in comments_data:
print(f"用户 {comment['author']}：{comment['content'][:50]}...")
五、爬虫注意事项（避免被封IP）
1. 设置请求头：模拟浏览器行为（添加 User-Agent 等）
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36",
"Accept": "text/html,application/xhtml+xml,application/xml"
}
response = requests.get(url, headers=headers)
2. 控制请求频率：添加延时（避免频繁请求）
import time
time.sleep(1) # 每次请求间隔1秒
3. 遵守网站规则：查看网站 robots.txt （如豆瓣允许合理爬虫，但禁止高频请求）
六、实战练习：爬取小说网站章节
以爬取某小说网站章节为例，完整代码框架：
import requests
from bs4 import BeautifulSoup
import os
import time
# 小说主页
novel_url = "https://example.com/novel"
# 1. 获取章节列表
def get_chapter_list(url):
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')
chapters = soup.find_all('a', class_='chapter-link')
return [(chapter.text, chapter['href']) for chapter in chapters]
# 2. 获取章节内容
def get_chapter_content(chapter_url):
response = requests.get(chapter_url)
soup = BeautifulSoup(response.text, 'lxml')
content = soup.find('div', class_='content').text
return content
# 3. 保存内容到文件
def save_to_file(chapter_name, content, novel_name):
if not os.path.exists(novel_name):
os.makedirs(novel_name)
file_path = f"{novel_name}/{chapter_name}.txt"
with open(file_path, 'w', encoding='utf-8') as f:
f.write(content)
print(f"已保存：{chapter_name}")
# 主流程
if __name__ == "__main__":
novel_name = "小说名称"
chapters = get_chapter_list(novel_url)
for i, (chapter_name, chapter_url) in enumerate(chapters):
print(f"正在爬取第 {i+1}/{len(chapters)} 章：{chapter_name}")
content = get_chapter_content(chapter_url)
save_to_file(chapter_name, content, novel_name)
time.sleep(2) # 间隔2秒，避免频繁请求
七、进一步学习资源
- 书籍：《Python爬虫开发与项目实战》《精通Python网络爬虫》
- 在线课程：
- 廖雪峰 Python 教程
- 爬虫实战：B站视频信息采集
- 工具推荐：
- 浏览器开发者工具（F12）：分析网络请求
- Postman：调试 API 请求
通过以上步骤，你可以完成基础爬虫的开发。
)
