python爬虫

python爬虫

爬虫（Spider）通常是指一个自动化程序或脚本，用于在互联网上获取信息，通常是从网站上抓取数据

工作原理： 爬虫工作的基本原理是模拟人工浏览网页的行为。它们向目标网站发送HTTP请求，然后解析网页的内容，提取所需的信息。这些信息可以是文本、图像、链接或其他类型的数据。

爬虫规则： 爬虫必须遵守网站的"robots.txt"文件和"爬虫协议"，以确保他们不会滥用网站资源或侵犯网站的隐私政策。

反爬虫技术： 为了保护其网站免受爬虫的干扰，许多网站会采用反爬虫技术，如验证码、IP封锁和频率限制等措施，这使得对这些网站的爬取更加困难。

在使用爬虫时，必须遵守伦理准则和法律规定。滥用爬虫可能会导致法律诉讼或网络伦理问题，因此务必慎重使用

robots.txt

“robots.txt” 是一种标准的文本文件，通常位于网站的根目录下，用于指导网络爬虫程序（如搜索引擎爬虫）在访问网站时应该遵循的规则和指导。
如百度的robots.txt网址为 https://www.baidu.com/robots.txt
这个文件会告诉爬虫哪些页面可以爬取，哪些页面不应该被爬取，以及爬取的速率限制等信息。
“robots.txt” 的目的是帮助网站所有者控制爬虫对其网站的访问，以维护网站的合法性和性能

常见的"robots.txt" 文件指令：

1. User-agent: 这一指令后面通常跟着爬虫的名称或通配符（如 * ），用于指定哪个爬虫应该遵循后面的规则
   如： User-agent: Baiduspider
2. Disallow: 这一指令用于指定哪些页面或目录不允许爬虫访问
   如： Disallow: /baidu
3. Allow: 与Disallow相对，用于指定某些页面或目录允许被爬虫访问，即使前面使用了Disallow
   如： Allow: /public/
4. Crawl-delay: 用于指定爬虫请求页面的时间间隔，以避免过于频繁的访问
   如： Crawl-delay: 10

“robots.txt” 文件对不同爬虫的支持程度有所不同，因此它是一种建议性的指令。一些爬虫程序会遵循这些规则，而有些可能会忽略它们。因此，网站所有者不能完全依赖 “robots.txt” 文件来绝对限制或保护其网站的内容。要更可靠地控制对网站的访问，通常需要采用其他安全措施

如果网站信息都需要被抓取,是不是可以不用robots.txt了?
每当用户试图访问某个不存在的URL时，服务器都会在日志中记录404错误（无法找到文件）。每当爬虫来寻找并不存在的robots.txt文件时，服务器也将在日志中记录一条404错误，所以建议还是添加一个robots.txt。

参考https://blog.csdn.net/m0_51683653/article/details/127252676

爬虫实战

以抓取python官方网站上的文章标题和链接为例，使用 requests 以及 Beautiful Soup 4 (bs4) 库

1. 安装所需库
   在命令行安装所需的两个库

pip install requests
pip install beautifulsoup4
1
2

2. 编写程序

import requests
# beautifulsoup可以解析html内容，他会把HTML内容解析成树状结构
from bs4 import BeautifulSoup

# 指定要抓取信息的网站
url = 'https://docs.python.org/3/'
# 发起GTE请求
response = requests.get(url)

# 如果返回的状态码为200就表示成功获取页面
if response.status_code == 200:
	# text返回网页源码
    html = response.text

    # 使用Beautiful Soup解析页面，将HTML文档转换为可操作的Python对象
    soup = BeautifulSoup(html, 'html.parser')

    # 选择所有的文档链接
    links = soup.find_all('a')

    # print(links)

    # 遍历链接并提取标题和链接
    for link in links:
    	# 提取每个链接的文本内容（标题）和href属性（链接）
        title = link.text
        href = link['href']
        if href.startswith('https://docs.python.org/3') and title:
            print(f"标题: {title}\n链接: {href}\n")
else:
    print(f"无法访问页面，状态码: {response.status_code}")

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

运行之后就会返回如下内容