Python爬虫可以抓取哪些数据：文本、图片及API接口详解

图1：Python网络爬虫的三大核心抓取目标与数据形态映射全景

一、文本数据抓取：结构化提取与字符处理

文本数据是网络爬虫最常见、最基础的抓取对象。无论是新闻门户的文章资讯、电商平台的商品标题与规格说明、专业百科的词条正文，还是社交论坛的评论与发帖记录，最初都是以字符形式嵌在服务端的HTML响应文本中返回给浏览器的。

1.1 文本提取的核心机制

抓取文本数据的完整流程通常包括三个环节：首先通过网络请求库（如requests）获取服务器返回的HTML源码；随后利用DOM解析引擎（如BeautifulSoup或lxml）将扁平的HTML字符串转换为树状的对象模型；最后根据预设的路径或属性规则，精确定位并提取出纯文本内容。

在节点定位技术中，目前主流采用两种方案：

• CSS选择器：语法与前端样式选择器完全一致，擅长通过类名（class）、ID和父子标签层级进行匹配（例如 div.article-content > p），语法直观，学习成本低。
• XPath路径表达式：基于XML节点树的查询语言，不仅支持层级遍历与属性定位，还原生支持文本内容模糊匹配、轴关系查询（如选取父节点、兄弟节点），在复杂或结构不规则的旧式网页中具备更强的灵活性。

图2：网页文本提取与 DOM 节点定位操作流水线

1.2 文本抓取完整代码实现

下面是一个标准的文本抓取示例，演示了如何获取页面源码、校准字符编码，并通过 CSS 选择器提取文章标题与正文段落：

import requests
from bs4 import BeautifulSoup

def fetch_article_text(url: str) -> dict:
    # 构造标准请求头，避免默认的 python-requests 请求头被服务器直接拦截
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
                      '(KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'
    }
    
    try:
        # 发起 HTTP GET 请求，设置超时时间防止线程永久阻塞
        response = requests.get(url, headers=headers, timeout=10)
        response.raise_for_status()  # 若状态码非 200 则主动抛出 HTTPError 异常
        
        # 编码校准：优先依据响应体内容推测实际编码，解决中文常见乱码问题
        response.encoding = response.apparent_encoding
        
        # 构建 BeautifulSoup DOM 树，选用解析速度较快的 lxml 引擎
        soup = BeautifulSoup(response.text, 'lxml')
        
        # 1. 提取文章标题（以 h1 标签为例）
        title_tag = soup.find('h1')
        title = title_tag.get_text(strip=True) if title_tag else "无标题"
        
        # 2. 提取正文内容（以 class 包含 content 的容器为例）
        content_box = soup.find('div', class_='content')
        paragraphs = []
        if content_box:
            # 提取所有子段落文本，去除首尾空白字符
            for p in content_box.find_all('p'):
                text = p.get_text(strip=True)
                if text:
                    paragraphs.append(text)
        
        return {
            "url": url,
            "title": title,
            "paragraphs": paragraphs
        }

    except requests.exceptions.RequestException as e:
        print(f"网络请求失败 [{url}]: {e}")
        return {}

1.3 文本抓取的常见陷阱与解决要点

• 字符编码混乱：中文网页历史遗留了 GBK、GB2312 与 UTF-8 混用的情况。若未显式指定编码，requests 可能默认使用 ISO-8859-1，导致中文显示为乱码。在解析前设置 response.encoding = response.apparent_encoding 是最通用的纠偏手段。
• HTML实体字符干扰：抓取到的文本中常含有  、<、" 等实体字符。应在持久化前使用 Python 内置的 html.unescape() 函数进行还原清洗。
• 动态渲染陷阱：如果网页源码中目标节点的容器为空（例如只有一个 <div id="app"></div>），说明该页面采用了前端 JavaScript（如 React、Vue）异步渲染，此时直接抓取 HTML 将一无所获，应转为抓取 API 接口或使用无头浏览器。

二、图片与多媒体数据抓取：二进制下载与反盗链应对

与纯字符构成的文本不同，图片（JPG、PNG、WebP、SVG）、音频（MP3）和视频（MP4）属于二进制多媒体资产。在网页传输中，服务器并不会直接在 HTML 标签中嵌入图片的原始二进制流，而是提供该资源的 URL 链接（如 <img src="...">）。因此，多媒体抓取本质上是“分步走”的操作：第一步先提取资源链接，第二步针对链接发起二进制流式下载。

图3：图片及多媒体文件抓取机制与防盗链突破策略

2.1 图片地址解析与懒加载（Lazy Loading）

为节约带宽与提升首屏加载速度，绝大多数现代网站对图片采用了“懒加载”技术。在用户未将页面滚动到可视区域时，<img> 标签的 src 属性往往被设置为一个 1×1 像素的透明占位图或默认加载动画，真实的图片超链接被隐藏在自定义属性中，常见的命名有 data-src、data-original、data-actualsrc 或 srcset。

编写爬虫时，提取规则必须优先判断这些自定义属性是否存在，若存在则优先使用自定义属性值；若提取出的是相对路径（如 /images/photo.jpg），则必须使用 urllib.parse.urljoin() 将其转换为包含协议和域名的完整绝对 URL。

2.2 防盗链机制（HTTP Referer）及其突破

许多图片服务器（如 CDN 存储桶、图床）部署了严格的“防盗链”验证策略。当爬虫直接向图片 URL 发送 GET 请求时，服务端会检查 HTTP 请求头中的 Referer 字段。如果 Referer 为空，或者其域名不属于该网站的白名单，服务器会立刻返回 403 Forbidden 状态码，或者返回一张提示“禁止外链”的警告占位图。

突破这一限制的正确做法是：在请求图片二进制数据时，显式将该图片所在的宿主文章页面 URL 填入 Referer 请求头中，使请求在服务端校验时完全符合浏览器正常展示的行为特征。

2.3 图片流式下载完整代码实现

import os
from urllib.parse import urljoin
import requests

def download_image(img_url: str, page_url: str, save_dir: str = "downloads") -> str:
    """
    流式下载单张图片并保存到指定文件夹
    :param img_url: 图片原始 URL（支持相对路径与绝对路径）
    :param page_url: 来源宿主页面 URL（用于构造 Referer 头以绕过防盗链）
    :param save_dir: 本地存储目录
    """
    # 补全相对路径
    full_url = urljoin(page_url, img_url)
    
    # 构造请求头，携带关键的 Referer 字段
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) Chrome/120.0.0.0 Safari/537.36',
        'Referer': page_url
    }
    
    os.makedirs(save_dir, exist_ok=True)
    # 取 URL 路径中的文件名，过滤查询参数
    filename = full_url.split('?')[0].split('/')[-1]
    if not filename or '.' not in filename:
        filename = "media_asset.jpg"
    
    local_path = os.path.join(save_dir, filename)

    try:
        # 设置 stream=True 开启流式响应，避免大文件一次性载入内存导致 OOM
        with requests.get(full_url, headers=headers, stream=True, timeout=15) as r:
            r.raise_for_status()
            
            # 分块写入本地二进制文件
            with open(local_path, 'wb') as f:
                for chunk in r.iter_content(chunk_size=1024 * 64):
                    if chunk:
                        f.write(chunk)
                        
        return local_path
    except requests.exceptions.RequestException as err:
        print(f"图片下载失败 [{full_url}]: {err}")
        return ""

三、API接口抓取：逆向分析与高效率数据获取

现代 Web 应用普遍采用前后端分离架构，前端页面只负责骨架展示，真实的数据通常由后端的 RESTful 接口异步提供，以 JSON（JavaScript Object Notation）格式在网络中流转。对于爬虫开发者而言，抓取 API 接口不仅能获得极其纯净的结构化数据，而且采集效率远高于解析整页 HTML。

图4：利用浏览器开发者工具定位与抓取 API 接口的全流程

3.1 API 抓取的核心优势

• 极高的信噪比与解析效率：HTML 文档中充斥着样式标签、嵌套结构和冗余脚本，而 API 接口仅返回纯粹的业务字段。解析 JSON 只需调用 response.json()，直接转换为 Python 字典或列表，省去了编写复杂 XPath 或 CSS 选择器的繁琐工作。
• 网络带宽与处理耗时大幅削减：单个 HTML 页面的体积常在数十 KB 到上百 KB，加上静态资源可能达数 MB；而对应的 JSON 接口载荷往往只有几 KB 到十几 KB，数据传输与解析耗时通常只有传统网页爬取的 10%~20%。
• 更稳定的数据格式：前端 UI 经常因为样式升级、改版而变更标签层级，导致原本写好的 CSS 选择器失效；而后端 API 接口通常具有版本控制和较为严格的字段契约，结构变更频率显著低于 DOM。

3.2 逆向发现与定位 API 接口的步骤

1. 开启网络监控：在 Chrome 或 Edge 浏览器中按 F12 打开开发者工具，切换到 Network（网络） 面板。
2. 筛选传输类型：在过滤器中选中 Fetch/XHR，屏蔽图片、CSS、JS 等静态资源的干扰。
3. 触发数据加载：在页面上执行下拉刷新、点击“加载更多”或切换分页，观察 Network 列表中新出现的网络请求。
4. 审查响应载荷：点击新出现的请求，在 Preview（预览） 标签页中检查返回的内容。若内容展现为包含目标列表的 JSON 树状结构，即锁定了核心 API。
5. 提取请求要素：在 Headers 中核查请求方式（GET/POST）、目标 URL、Query String Parameters（或 Request Payload），并检查是否附带了 Authorization 或 Token 等鉴权凭据。

3.3 API 接口数据抓取代码实现

import requests

def fetch_api_dataset(api_url: str, page: int = 1, page_size: int = 20) -> list:
    """
    请求结构化 API 接口并直接解析纯净 JSON 数据
    """
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) Chrome/120.0.0.0 Safari/537.36',
        'Accept': 'application/json, text/plain, */*',
        # 若接口需要权限校验，在此配置由抓包获取的 Token 凭证
        # 'Authorization': 'Bearer YOUR_ACCESS_TOKEN'
    }
    
    # 构造接口查询参数
    params = {
        'page': page,
        'limit': page_size,
        'sort': 'latest'
    }
    
    try:
        response = requests.get(api_url, headers=headers, params=params, timeout=10)
        response.raise_for_status()
        
        # 将 JSON 响应体反序列化为 Python 原生字典
        payload = response.json()
        
        # 根据业务约定提取嵌套的数据列表
        records = []
        if payload.get('code') == 200 or payload.get('status') == 'success':
            items = payload.get('data', {}).get('list', [])
            for item in items:
                records.append({
                    'id': item.get('id'),
                    'title': item.get('title'),
                    'published_at': item.get('created_time'),
                    'view_count': item.get('views', 0)
                })
                
        return records

    except requests.exceptions.RequestException as e:
        print(f"API 请求异常 [{api_url}]: {e}")
        return []
    except ValueError as e:
        print(f"JSON 序列化失败，响应非标准 JSON 格式: {e}")
        return []

四、三种抓取方式的技术对比与选型决策

在实际构建爬虫工程时，并不是所有任务都采用相同的手法。针对不同的数据形态与系统特征，需要综合考量开发效率、运行开销与反爬阻力。

图5：Python爬虫三大抓取目标特性对比与黄金选型决策树

五、爬虫实践中的边界与规范

无论抓取何种数据形态，网络爬虫的本质都是一种程序化访问手段，开发者在编写和运行爬虫时必须时刻坚守技术与法律的边界：

• 请求频率节制：爬虫的高频请求极易对目标站点服务器造成非预期的并发冲击，甚至引发类似拒绝服务攻击（DoS）的后果。在编写循环抓取逻辑时，应加入适度的随机延时（例如 time.sleep(random.uniform(1.0, 3.0))），限制并发线程数量。
• 遵守协议与声明：在开展抓取前，主动查看目标域名下的 robots.txt 协议文件，严格规避网站明确声明禁止抓取的路径和受限爬虫代理规则。
• 数据隐私与权限底线：爬虫抓取的合法范围仅限于未经身份越权即可公开访问的公开数据。严禁抓取涉及公民个人隐私、非公开商业秘密，或绕过付费与越权权限强行采集未授权的内容。