python爬虫模版

Python爬虫模板通常包含以下几个基本部分，用于构建一个简单的爬虫程序：

1. **初始化设置**：包括导入所需的模块和设置请求头等。常用的模块有`requests`用于发起HTTP请求，`BeautifulSoup`或`lxml`用于解析HTML文档，`re`用于正则表达式匹配等。

2. **目标URL设置**：确定要爬取的网站或页面的URL。

3. **发送请求**：使用`requests`库发送HTTP请求到目标URL，获取网页内容。

4. **响应处理**：判断请求是否成功，并进行相应的内容解析。

5. **数据提取**：利用解析库从网页中提取所需数据。

6. **存储数据**：将提取的数据保存到文件、数据库或其他存储方式中。

7. **异常处理**：添加异常处理机制，如遇到网络错误、解析错误等。

8. **循环与延迟**：为了减少对目标服务器的压力，以及避免被封IP，通常在请求之间设置合理的延迟（例如使用`time.sleep()`）。

以下是一个简单的Python爬虫模板示例代码：

import requests
from bs4 import BeautifulSoup

# 目标URL
url = 'http://example.com/'

# 请求头，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 fetch_page(url):
    # 发送GET请求
    try:
        response = requests.get(url, headers=headers)
        # 判断响应状态码
        if response.status_code == 200:
            return response.text
        else:
            print('请求失败，状态码：', response.status_code)
    except requests.RequestException as e:
        print('请求过程中出现错误：', e)

def parse_data(html):
    # 解析网页内容
    soup = BeautifulSoup(html, 'html.parser')
    # 这里根据实际网页结构调整选择器
    data_list = soup.select('selector')
    return data_list

def main():
    html = fetch_page(url)
    if html:
        data_list = parse_data(html)
        # 这里处理提取的数据
        for item in data_list:
            print(item)

if __name__ == '__main__':
    main()