一、前言
对于爬虫入门者而言，最核心的需求是 “能看懂、能运行、能落地”。本文从零开始，循序渐进讲解 Python 爬虫核心技术 —— 从基础的requests请求、UA 伪装、数据保存，到re正则解析、lxml的 XPath 提取，再到 Selenium 自动化浏览器操作，全程附完整可运行代码 + 详细注释，帮你快速上手，避开入门常见坑。
入门提醒：静态网页用requests结合解析工具即可高效爬取，但如今多数网站采用 JavaScript 动态渲染（如滚动加载、点击加载更多、登录后才显示内容），此时requests无法获取渲染后的完整数据，而 Selenium 能完美解决这一痛点。下面先吃透 Selenium 核心知识，再逐步开展实战演练。
二、基础篇：requests 请求与 UA 伪装（入门必学）
1. 基础 GET 请求 + UA 伪装（避坑核心）
很多新手刚入门时，直接用requests发送请求会被网站拦截，核心原因是未进行 UA 伪装 —— 网站会识别出请求来自 Python 程序，而非真实浏览器。因此，UA 伪装是爬虫入门的第一个必学技巧。
python
'''UA伪装：模拟浏览器请求，避免被服务器拦截（入门必写）''' import requests # 目标URL（百度首页，可直接替换为其他静态网页） url = "https://www.baidu.com/" # UA伪装：模拟Chrome浏览器的请求头（复制自己浏览器的UA更稳妥） headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/142.0.0.0 Safari/537.36" } # 发送GET请求（带UA伪装，避免被拦截） response = requests.get(url, headers=headers) # 自动识别网页编码，彻底解决中文乱码问题（新手必加） response.encoding = response.apparent_encoding # 打印网页源码（验证请求是否成功） print(response.text)2. 保存网页中的图片 / 文件（实战常用）
爬虫实战中，经常需要下载图片、文档等资源，核心是通过requests获取资源的二进制内容，再以二进制写入模式保存到本地，步骤简单且通用。
python
'''保存网页中的图片（二进制文件写入，实战通用模板）''' import requests # 图片URL（可替换为任意图片链接） img_url = 'https://cdn.ptpress.cn/uploadimg/Material/978-7-115-68312-0/72jpg/68312_s300.jpg' # 发送请求获取图片二进制数据（图片、视频均为二进制资源） response = requests.get(img_url) # 以二进制写入模式保存图片（wb=二进制写，不可修改） with open('book_cover.jpg', 'wb') as f: f.write(response.content) print("图片保存成功！可在当前文件夹查看") # 补充：保存文本文件示例（爬虫结果保存常用） with open('a.txt', 'w', encoding='utf-8') as f: f.write('人工智能') print("文本文件保存成功！")3. 正则解析网页数据（简单场景首选）
对于简单的文本提取场景（如提取标题、链接），无需复杂解析工具，用re.findall()即可快速提取目标信息，适合新手入门练习。
python
'''使用正则表达式提取网页中的图书信息（简单场景实战）''' import requests import re # 目标网页（可替换为自己需要爬取的静态网页） url = 'https://www.ryjiaoyu.com/tag/details/7' # 发送请求（带UA伪装更佳，此处简化演示） response = requests.get(url) html = response.text # 正则表达式：匹配标题和链接（根据网页源码调整正则规则） pattern = r'title="(.+?)">(.+?)' result = re.findall(pattern, html) # 打印提取结果（格式化输出，更易查看） for i, (link, title) in enumerate(result, 1): print(f'第{i}本书：{title}，链接：{link}') # 注意：若提取结果为空，需检查正则表达式是否与网页源码匹配'三、进阶篇：XPath 解析与数据提取（实战核心）
1. XPath 基础用法（复杂网页首选）
当网页结构复杂、需要精准提取结构化数据时，XPath 比正则更高效、更易维护。下面通过本地 HTML 文件，快速掌握 XPath 核心定位方法，新手可直接复制代码练习。
python
'''XPath解析本地HTML文件基础示例（新手必练）''' from lxml import etree # 解析本地HTML文件（需提前创建test.html文件，或替换为在线网页解析） tree = etree.parse("test.html") # 1. 获取网页标题（最基础定位，必学） print("网页标题：", tree.xpath("/html/head/title/text()")) # 2. 获取body下所有div的p标签文本（批量提取） print("所有段落文本：", tree.xpath("/html/body/div/p/text()")) # 3. 索引定位（重点：XPath索引从1开始，而非0） print("第一个div下的p文本：", tree.xpath("/html/body/div[1]/p/text()")) print("第二个div下的p文本：", tree.xpath("/html/body/div[2]/p/text()")) print("第二个div下第二个p文本：", tree.xpath("/html/body/div[2]/p[2]/text()")) # 4. 属性定位（最常用，根据class、id筛选元素） print("class为song的div下第二个p文本：", tree.xpath("//div[@class='song']/p[2]/text()")) # 5. 层级定位（//表示跨层级，无需写完整路径，高效） print("跨层级定位class为song的div下第三个p文本：", tree.xpath("//div[@class='song']/p[3]/text()")) # 6. 获取标签属性值（爬取链接、图片常用，@src/@href） print("图片的src属性：", tree.xpath("//div[@class='song']/img/@src")) print("链接的href属性：", tree.xpath("//div[@class='tang']/ul/li[3]/a/@href")[0])2. 实战：爬取虎扑热榜（XPath 实战演练）
结合在线网页，实战练习 XPath 解析，提取虎扑热榜话题，代码可直接运行，新手可通过此案例熟悉 “请求 - 解析 - 提取” 完整流程。
python
'''爬取虎扑热榜话题（XPath解析版，新手可直接运行）''' import requests from lxml import etree # 目标URL（虎扑热榜移动端，结构更简洁，适合新手） url = "https://m.hupu.com/hot" # 发送请求（建议添加UA伪装，避免被拦截） headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/142.0.0.0 Safari/537.36"} response = requests.get(url, headers=headers) tree = etree.HTML(response.text) # 解析在线网页源码 # 定位热榜话题容器（根据网页源码调整XPath路径） hot_list = tree.xpath("//article[@class='hot_hot-page__jgBZU']/div") # 遍历提取话题（添加异常捕获，避免报错终止程序） for i, item in enumerate(hot_list, 1): try: topic = item.xpath("./section/div[2]/text()")[0].strip() print(f"热点第{i}：{topic}") except: continue # 补充：更简洁的写法（直接定位话题文本，新手推荐） topics = tree.xpath('//div[@class="hot_hot-page-item-title__HL2kw"]/text()') for i, topic in enumerate(topics, 1): print(f"热点第{i}：{topic.strip()}")3. 实战：批量爬取壁纸图片（综合实战）
结合fake_useragent随机 UA 伪装（提升反爬能力），批量爬取壁纸网站图片并保存到本地文件夹，整合 “请求 - 解析 - 下载 - 保存” 全流程，适合新手巩固基础。
python
'''批量爬取壁纸图片（含随机UA伪装，综合实战案例）''' import fake_useragent import requests from lxml import etree import os # 全局计数器，用于图片命名（避免文件名重复） n = 0 def count(): global n n += 1 return n # 创建保存图片的文件夹（不存在则创建，避免报错） if not os.path.exists("./Picture"): os.mkdir("./Picture") # 随机UA伪装（自动生成不同浏览器UA，降低被拦截概率） headers = { "User-Agent": fake_useragent.UserAgent().random } # 爬取多页图片（可修改range范围，控制爬取页数） for page in range(1, 4): url = f"https://10wallpaper.com/List_wallpapers/page/{page}" response = requests.get(url, headers=headers) tree = etree.HTML(response.text) # 定位所有图片容器（若提取不到，需检查XPath路径是否正确） p_list = tree.xpath("//div[@id='pics-list']/p") for p in p_list: try: # 提取图片URL并拼接完整地址（避免URL不完整导致下载失败） img_url = p.xpath("./a/img/@src")[0] full_img_url = 'https://10wallpaper.com' + img_url print("图片地址：", full_img_url) # 下载图片（添加异常捕获，避免单张图片下载失败影响全局） img_response = requests.get(full_img_url, headers=headers) img_name = count() # 保存图片到本地（wb模式，适配所有图片格式） with open(f"./Picture/{img_name}.jpg", "wb") as f: f.write(img_response.content) print(f"图片{img_name}.jpg 保存成功！") except Exception as e: print(f"图片下载失败：{e}") continue # 注意：若出现404报错，说明壁纸网站页面不存在，可替换为其他壁纸网站URL'4. 实战：爬取豆瓣 Top250 电影信息（高频实战）
豆瓣 Top250 是爬虫入门高频实战案例，结合 XPath 和正则表达式，提取电影名称、导演、主演、年份、评分和简介，同时将结果保存到本地文件，贴近真实爬虫需求。
python
'''爬取豆瓣Top250电影信息（高频实战，新手必练）''' import fake_useragent import requests from lxml import etree import re # 目标URL（豆瓣Top250首页） url = 'https://movie.douban.com/top250' # 随机UA伪装（豆瓣反爬较严格，必须添加） headers = { "User-Agent": fake_useragent.UserAgent().random } # 发送请求（添加超时设置，避免程序卡死） response = requests.get(url, headers=headers, timeout=10) html = response.text # 打开文件保存结果（utf-8编码，避免中文乱码） with open("doubanFilm.txt", "w", encoding="utf8") as f: # 解析HTML tree = etree.HTML(html) li_list = tree.xpath("//ol[@class='grid_view']/li") for li in li_list: try: # 提取电影名称（核心信息，精准定位） film_name = li.xpath(".//div[@class='hd']/a/span[1]/text()")[0] # 提取导演和主演信息（正则+XPath结合，处理复杂文本） info_text = li.xpath(".//div[@class='bd']/p[1]/text()")[0].strip() film_director = re.match(r"导演: (.+?) .*", info_text).group(1) film_star = re.match(r".*主演: (.+)", info_text).group(1) film_year = re.match(r".*?(\d+).*", info_text).group(1) # 提取评分和简介（用户关注的核心信息） film_star_rating = li.xpath(".//div[@class='star']/span[2]/text()")[0] film_quote = li.xpath(".//div[@class='bd']/p[@class='quote']/span/text()")[0] # 打印并写入文件（用#分隔，方便后续处理数据） print(film_name, film_director, film_star, film_year, film_star_rating, film_quote) f.write(f"{film_name}#{film_director}#{film_star}#{film_year}#{film_star_rating}#{film_quote}\n") except Exception as e: print(f"提取失败：{e}") continue print("豆瓣电影信息已保存到doubanFilm.txt！可在当前文件夹查看")四、自动化篇：Selenium 浏览器操作（附详细介绍，动态网页必学）
1. 什么是 Selenium？
很多新手疑惑：有了requests，为什么还要学 Selenium？答案很简单 ——requests无法处理动态渲染网页，而 Selenium 能完美解决这一问题。
Selenium 是一款开源的 Web 自动化测试工具，诞生于 2004 年，最初用于 Web 应用程序的自动化测试，后来被广泛应用于爬虫开发。它的核心作用是模拟真实用户的浏览器操作，包括打开浏览器、访问网页、点击按钮、填写表单、滚动页面、切换标签页等，就像真实用户在操作浏览器一样，能够获取到 JavaScript 渲染后的完整网页源码，彻底解决动态网页爬取的痛点。
2. Selenium 的核心特性与工作原理
核心特性（新手重点关注）
- 跨浏览器支持：兼容 Chrome、Firefox、Edge、Safari 等所有主流浏览器，适配 Windows、Mac、Linux 等操作系统，新手优先用 Chrome/Edge。
- 多语言支持：支持 Python、Java、C#、JavaScript 等多种编程语言，爬虫开发中最常用 Python 语言绑定，上手门槛低。
- 模拟真实交互：可模拟点击、输入、下拉、前进 / 后退、切换窗口等所有用户操作，还原真实浏览行为，避开网站反爬。
- 支持无头模式：可在不显示浏览器界面的情况下运行脚本，节省系统资源，提高运行效率，适合服务器部署和批量爬取。
- 核心组件完善：包含 Selenium WebDriver（核心驱动，控制浏览器）、Selenium IDE（录制回放工具，新手快速生成脚本）、Selenium Grid（分布式并行测试），满足不同场景需求。
工作原理（通俗理解，无需深入）
Selenium 采用 “客户端 - 服务器” 架构，运行流程简单易懂，新手无需深入底层，知道大致逻辑即可：
- 开发者编写 Python Selenium 脚本，调用 Selenium WebDriver 客户端 API（就是我们写的代码）。
- WebDriver 客户端将脚本中的操作指令（如打开网页、点击按钮）转换为符合 W3C 标准的 HTTP 请求。
- HTTP 请求发送给对应浏览器的驱动程序（如 Chrome 对应 ChromeDriver，Edge 对应 EdgeDriver）。
- 浏览器驱动接收请求后，通过浏览器内置调试接口，控制浏览器执行对应操作（如打开百度、点击搜索）。
- 浏览器执行操作后，将结果（如网页源码）通过驱动、WebDriver 客户端反馈给脚本，完成一次交互。
Selenium 与 requests 的核心区别（新手必看，避免用错工具）
很多新手会混淆两者的用途，这里用一张表格清晰区分，帮你根据场景选择合适的工具，避免做无用功：
表格
| 对比维度 | requests | Selenium |
|---|---|---|
| 核心定位 | 发送 HTTP 请求，直接与服务器交互 | 控制浏览器，模拟用户操作，获取渲染后内容 |
| 动态网页支持 | 不支持，无法解析 JavaScript 渲染内容 | 完全支持，可获取 JS 渲染后的完整源码 |
| 运行速度 | 快，轻量无冗余，资源消耗低 | 慢，需启动浏览器，资源消耗大 |
| 交互能力 | 无交互能力，仅能发送请求、接收响应 | 强，可模拟点击、输入、滚动等所有用户操作 |
| 适用场景 | 静态网页爬取、API 接口调用、高频数据采集 | 动态网页爬取、需要交互的场景（登录、下拉加载）、浏览器环境检测的网站 |
前置准备（必看，否则必报错）
使用 Selenium 前，必须完成两个核心准备工作，新手最容易栽在这一步，一定要仔细看：
- 安装 Selenium 库：打开终端，执行命令
pip install selenium（确保 Python 环境已配置，若安装失败，可加-i https://pypi.tuna.tsinghua.edu.cn/simple用清华源）。 - 下载浏览器驱动：驱动必须与本地浏览器版本对应（如 Edge 浏览器 142 版本，需下载 142 版本的 EdgeDriver；Chrome 同理），下载后将驱动路径配置到环境变量，或在代码中指定驱动路径。
关键提示：浏览器驱动版本必须与浏览器版本完全匹配（如 Chrome 142.0.7026.64，需下载对应 142 版本的 ChromeDriver），否则会出现 “驱动不兼容” 报错，新手可在浏览器设置中查看版本，再去对应官网下载驱动。
3. Selenium 实战：基础操作（新手入门必练）
（1）基础：打开网页并获取源码
入门第一步：使用 Selenium 驱动 Edge 浏览器，打开指定网页并获取渲染后的源码，代码可直接运行，新手可先熟悉浏览器启动和关闭流程。
python
'''使用Selenium打开Edge浏览器并访问网页（入门基础）''' from selenium import webdriver from selenium.webdriver.edge.options import Options # 配置Edge浏览器选项（新手可直接复制，修改浏览器路径即可） edge_options = Options() # 指定Edge浏览器的安装路径（根据自己的电脑路径修改，避免报错） edge_options.binary_location = r"C:\Program Files (x86)\Microsoft\Edge\Application\msedge.exe" # 初始化浏览器驱动（若驱动已配置环境变量，可省略executable_path参数） driver = webdriver.Edge(options=edge_options) # 打开目标网页（可替换为任意网页） driver.get('https://www.ptpress.com.cn/') # 暂停脚本，方便观察浏览器窗口（按回车继续执行，避免浏览器瞬间关闭） input('等待用户操作，按回车继续...') # 关闭浏览器（释放资源，避免后台残留进程，新手必写） driver.quit()（2）进阶：打开多个标签页
实战中经常需要同时访问多个网页，使用 JavaScript 的window.open()方法，可模拟用户打开多个标签页，提升爬取效率。
python
'''使用Selenium打开多个标签页（实战常用）''' from selenium import webdriver from selenium.webdriver.edge.options import Options # 配置Edge浏览器（新手可直接复用） edge_options = Options() edge_options.binary_location = r"C:\Program Files (x86)\Microsoft\Edge\Application\msedge.exe" driver = webdriver.Edge(options=edge_options) # 打开百度首页（第一个标签页，作为主页面） driver.get('https://www.baidu.com/') # 执行JS代码，打开多个新标签页（_blank表示新标签页，不可修改） driver.execute_script("window.open('https://www.bilibili.com/', '_blank');") driver.execute_script("window.open('https://www.shuyishe.com/', '_blank');") driver.execute_script("window.open('https://www.shuyishe.com/course', '_blank');") # 暂停脚本，方便观察标签页效果 input('等待用户操作，按回车继续...') # 关闭所有浏览器窗口（释放资源） driver.quit()（3）核心：获取渲染后的网页源码
这是 Selenium 最核心的优势！对于 JS 动态渲染的网页（如滚动加载、点击加载更多），requests只能获取到初始的 HTML 源码，无法获取到 JS 渲染后的内容，而 Selenium 可以轻松获取完整源码。
python
'''使用Selenium获取渲染后的网页源码（核心功能）''' from selenium import webdriver from selenium.webdriver.edge.options import Options # 配置Edge浏览器 edge_options = Options() edge_options.binary_location = r"C:\Program Files (x86)\Microsoft\Edge\Application\msedge.exe" # 可选：开启无头模式（不显示浏览器界面，适合服务器运行、批量爬取） # edge_options.add_argument('--headless=new') driver = webdriver.Edge(options=edge_options) # 打开需要爬取的动态网页（示例：百度首页，可替换为动态网页URL） driver.get('https://www.baidu.com') # 获取渲染后的完整HTML源码（包含JS渲染的内容，核心代码） html_source = driver.page_source print("网页源码长度：", len(html_source)) print("前500字符：", html_source[:500]) # 关闭浏览器 driver.quit()补充提示：开启无头模式（添加--headless=new参数）后，浏览器不会显示界面，脚本在后台运行，能节省系统资源，适合批量爬取或服务器部署，新手可先不开启，方便观察运行过程。
（4）补充：Selenium 常用操作拓展（实战必备）
除了基础操作，Selenium 的表单填写、元素点击、页面滚动等操作，是复杂爬虫（如登录、下拉加载）的核心，补充代码可直接复用，新手重点练习。
python
'''Selenium常用操作拓展（表单填写、点击、滚动，实战必备）''' from selenium import webdriver from selenium.webdriver.edge.options import Options from selenium.webdriver import options from selenium.webdriver.common.by import By import time # 配置浏览器 edge_options = Options() edge_options.binary_location = r"C:\Program Files (x86)\Microsoft\Edge\Application\msedge.exe" driver = webdriver.Edge(options=edge_options) # 1. 打开网页 driver.get('https://www.baidu.com/') # 等待3秒，让页面完全加载（避免元素未渲染导致定位失败，新手必加） time.sleep(3) # 2. 定位元素并填写表单（示例：百度搜索框，实战高频） # 方式1：通过ID定位（最常用、最高效，优先选择） search_input = driver.find_element(By.ID, 'kw') # 填写内容（可替换为任意搜索关键词） search_input.send_keys('Python爬虫') # 3. 定位按钮并点击（示例：百度搜索按钮） search_btn = driver.find_element(By.ID, 'su') search_btn.click() time.sleep(3) # 等待搜索结果加载，避免后续操作报错 # 4. 滚动页面（示例：滚动到页面底部，下拉加载常用） # 执行JS代码实现滚动（通用模板，无需修改） driver.execute_script("window.scrollTo(0, document.body.scrollHeight)") time.sleep(2) # 5. 获取元素文本（示例：获取搜索结果数量，提取数据常用） result_text = driver.find_element(By.CLASS_NAME, 'nums_text').text print("搜索结果：", result_text) # 6. 后退、前进操作（模拟用户浏览行为，避坑常用） driver.back() # 后退到上一页（百度首页） time.sleep(2) driver.forward() # 前进到下一页（搜索结果页） time.sleep(2) # 关闭浏览器 driver.quit()
