Python爬虫避坑指南：从入门到放弃？

华科云商xiao徐
35 阅读7分钟

还记得我刚学Python爬虫那会儿，天真地以为几行requests加BeautifulSoup就能走天下。结果迎面撞上反爬机制、频繁被封IP、页面结构一变代码就崩……踩过无数坑后我才明白，写出健壮的爬虫不仅是技术活，更是对耐心和细心的考验。今天我想分享这些用教训换来的经验，希望能帮你少走些弯路。

a4.png

我们来深入探讨一下用 Python 写爬虫时常见的误区及其解决方案。这对于初学者甚至一些有经验的开发者都很有帮助，可以避免很多“坑”。

常见误区与解决方案

误区一：忽视法律法规与道德规范（Robots.txt）

  • 表现：不顾及目标网站的 robots.txt 协议，粗暴抓取所有数据，甚至抓取个人隐私等敏感信息，可能引发法律风险。

  • 解决方案：

    1. 遵守 Robots 协议：使用 urllib.robotparser 模块来解析和遵守目标网站的 robots.txt。

      from urllib.robotparser import RobotFileParser
rp = RobotFileParser()
rp.set_url('https://www.example.com/robots.txt')
rp.read()
can_scrape = rp.can_fetch('YourBotName', 'https://www.example.com/some/page.html')
if can_scrape:
    # 进行爬取
else:
    # 跳过爬取

    2. 尊重版权和隐私：只爬取公开且允许爬取的数据，不爬取未授权的内容（如付费内容、用户个人信息等）。

    3. 设置友好速率：在请求之间添加延迟（如 time.sleep()），避免对目标网站服务器造成过大压力。rate 参数在 robots.txt 中可能有建议。

误区二：缺乏必要的请求头模拟

  • 表现：使用默认的请求头（尤其是 User-Agent 是明显的 python-requests/2.xx.x），极易被网站识别为爬虫并封禁 IP。

  • 解决方案：

    1. 模拟真实浏览器：总是设置常见的请求头，特别是 User-Agent。可以准备一个列表随机选择，增加隐蔽性。

      import requests
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    'Accept-Language': 'en-US,en;q=0.5',
    'Connection': 'keep-alive',
}
response = requests.get('https://httpbin.org/headers', headers=headers)

    2. 处理 Cookie：对于需要登录的页面，使用 requests.Session() 来自动管理 Cookies，模拟登录状态。

误区三：错误处理与异常机制不足

  • 表现：代码没有 try-except 块，遇到网络波动、HTTP 错误（404， 500）、解析错误时程序直接崩溃，非常脆弱。

  • 解决方案：

    1. 包装请求代码：对网络请求进行异常捕获。

    2. 检查响应状态码：总是检查 response.status_code 是否为 200。

      import requests
from requests.exceptions import RequestException
import time
​
def get_page(url):
    try:
        response = requests.get(url, headers=headers, timeout=10)
        if response.status_code == 200:
            return response.text
        else:
            print(f'获取页面失败，状态码: {response.status_code}')
            return None
    except RequestException as e:
        print(f'请求发生错误: {e}')
        return None
​
html = get_page('https://example.com')
if not html:
    # 处理错误情况，如重试、记录日志等
    pass

    3. 实现重试机制：对于可能 transient（临时性）的错误（如网络超时），可以使用 tenacity 等库实现自动重试。

误区四：过度依赖页面结构（脆弱的解析器）

  • 表现：解析代码（XPath, CSS Selector）直接写死，一旦网站前端改版，爬虫立即失效。

  • 解决方案：

    1. 选择稳定的标识符：尽量选择 id, class 等不太容易变化的属性或结构进行解析。避免使用绝对路径。

    2. 代码解耦：将选择器字符串统一放在代码开头或配置文件中，方便网站改版后集中修改。

      # config.py
SELECTORS = {
    'title': 'div.product-name h1::text',
    'price': 'span.price::text',
    # ...
}
​
# main.py
from config import SELECTORS
title = selector.css(SELECTORS['title']).get()

    3. 添加断言：在解析关键数据后，检查数据是否存在或符合预期格式，及早发现解析失败。

误区五：处理 JavaScript 渲染页面方法不当

  • 表现：直接用 requests 请求动态网页（如 SPA），获取到的 HTML 是空的或不完整，因为数据由 JS 加载。

  • 解决方案：

    1. 分析 API：打开浏览器开发者工具（F12）-> Network -> XHR，寻找真正提供数据的 Ajax API 接口。直接用 requests 调用这个接口往往更高效。

    2. 使用渲染工具：如果数据没有独立接口，必须渲染 JS，则使用：

      • Selenium：模拟真实浏览器操作，功能强大但速度慢，资源消耗大。

        from selenium import webdriver
from selenium.webdriver.chrome.options import Options
​
options = Options()
options.headless = True # 无头模式，不显示浏览器窗口
driver = webdriver.Chrome(options=options)
driver.get("https://example.com")
html = driver.page_source
# ... 解析 html
driver.quit()

      • Splash：一个带有 HTTP API 的轻量级 JavaScript 渲染服务，常与 Scrapy 配合使用。

      • Playwright / Puppeteer：现代浏览器自动化库，比 Selenium 更强大和快速。

误区六：同步阻塞式请求，效率低下

  • 表现：使用简单的 for 循环 + time.sleep() 进行请求，每个请求都等待上一个完成，速度极慢。

  • 解决方案：

    1. 多线程/多进程：使用 concurrent.futures 线程池。

      from concurrent.futures import ThreadPoolExecutor, as_completed
import requests
​
urls = [...] # 一个很大的URL列表
​
def download_url(url):
    return requests.get(url).text
​
with ThreadPoolExecutor(max_workers=10) as executor: # 控制并发数
    future_to_url = {executor.submit(download_url, url): url for url in urls}
    for future in as_completed(future_to_url):
        html = future.result()
        # 处理html

    2. 异步IO（推荐） ：使用 aiohttp + asyncio，性能极高，是专业爬虫的首选。

      import aiohttp
import asyncio
​
async def fetch(session, url):
    async with session.get(url) as response:
        return await response.text()
​
async def main():
    urls = [...]
    async with aiohttp.ClientSession() as session:
        tasks = [fetch(session, url) for url in urls]
        htmls = await asyncio.gather(*tasks)
        for html in htmls:
            # 处理html
            pass
​
asyncio.run(main())

      注意：高并发请求一定要谨慎，控制速率，否则相当于对网站发起 DOS 攻击。

误区七：数据存储与管理混乱

  • 表现：将所有数据一股脑打印到控制台或写入一个巨大的文件，不利于后续处理和分析。

  • 解决方案：

    • 结构化存储：根据数据量和用途选择合适的存储方式。

      • JSON/CSV 文件：适合中小规模数据。
      • 数据库（SQLite, MySQL, PostgreSQL, MongoDB） ：适合大规模、结构化数据，方便查询和管理。使用 ORM（如 SQLAlchemy）或数据库驱动（如 pymysql, psycopg2）。

误区八：单打独斗，忽视成熟框架

  • 表现：所有功能都从 requests 和 BeautifulSoup 开始自己写，重复造轮子，项目难以维护和扩展。

  • 解决方案：

    • 使用 Scrapy 框架：对于大型、复杂的爬虫项目，Scrapy 是行业标准。它提供了：

      • 高性能的异步处理。
      • 内置的中间件、管道（Pipeline）、调度器系统，功能强大且易于扩展。
      • 丰富的生态系统（如 Scrapy-Redis 用于分布式爬虫）。

    • 即使是小项目，也可以借鉴它的设计思想。

误区九：IP 被封禁应对策略单一

  • 表现：一个 IP 地址疯狂请求，很快被网站封禁，爬虫无法继续工作。

  • 解决方案：

    1. 代理IP池：使用第三方代理IP服务（如芝麻代理、快代理等）或自建代理IP池，轮流使用不同IP发送请求。

      import requests
proxies = {
    'http': 'http://10.10.1.10:3128',
    'https': 'http://10.10.1.10:1080',
}
requests.get('http://example.org', proxies=proxies, timeout=10)

    2. 降低请求频率：合理设置下载延迟 (DOWNLOAD_DELAY in Scrapy)。

    3. 识别验证码：接入打码平台（如超级鹰）进行验证码识别（通常作为最后手段）。

总结：最佳实践 checklist

  1. [法律] 检查 robots.txt，尊重网站规则。
  2. [请求] 设置合理的请求头（UA, Referer, Cookie等）。
  3. [健壮性] 添加完善的异常处理（网络、解析）和重试机制。
  4. [解析] 编写健壮的解析代码，选择相对稳定的选择器，并与核心逻辑解耦。
  5. [动态内容] 优先寻找隐藏的 API 接口，必要时使用 Selenium/Splash。
  6. [效率] 对于大量请求，使用异步（aiohttp）或并发（线程池）来提高效率。
  7. [反爬] 使用代理IP池、控制访问速率、处理验证码来应对反爬虫。
  8. [存储] 设计良好的数据存储方案（文件/数据库）。
  9. [工程化] 大型项目优先考虑使用 Scrapy 框架。
  10. [日志] 为爬虫添加详细的日志记录，方便排查问题。

遵循这些原则和解决方案，你就能写出更加健壮、高效且合规的 Python 爬虫。

回头看这段爬虫学习之旅，从最初的横冲直撞到如今能成熟考虑法律伦理、性能优化和系统设计，每个坑都让我受益匪浅。爬虫世界没有一劳永逸的银弹，唯有保持敬畏、持续学习才是正道。希望我的这些经验能成为大家爬虫路上的垫脚石，帮助大家写出更优雅强大的程序。

avatar
文章
阅读
粉丝