Python爬虫实战：慕课网课程数据采集与分析

1. 项目背景与需求分析慕课网作为国内知名的IT技能学习平台汇集了大量优质的编程课程资源。对于学习者而言快速获取完整的课程信息如课程名称、讲师、价格、评分、学习人数等能够帮助其高效筛选适合自己的学习内容。传统手动收集方式效率低下而通过Python爬虫技术自动化获取这些数据则能大幅提升信息采集效率。这个项目的核心价值在于为个人学习者提供课程比对的自动化工具帮助教育从业者分析课程市场趋势为数据分析爱好者提供原始数据采集方案2. 技术方案设计2.1 爬虫框架选型对于慕课网这类动态渲染的现代网站推荐使用以下技术组合Requests BeautifulSoup适合基础静态页面抓取Selenium应对JavaScript动态渲染内容Scrapy大型爬虫项目框架化解决方案实测发现慕课网主要课程列表页采用服务端渲染因此本项目选择轻量级的RequestsBeautifulSoup组合既能满足需求又避免过度设计。2.2 反爬策略应对慕课网采用了常规的反爬机制User-Agent检测请求频率限制关键数据动态加载应对方案headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36, Referer: https://www.imooc.com/ }3. 核心实现步骤3.1 页面分析通过浏览器开发者工具分析慕课网课程列表页打开课程分类页如https://www.imooc.com/course/list检查Network面板中的XHR请求定位到实际数据接口通常为JSON格式3.2 代码实现import requests from bs4 import BeautifulSoup import pandas as pd def get_courses(page1): url fhttps://www.imooc.com/course/list?page{page} resp requests.get(url, headersheaders) soup BeautifulSoup(resp.text, html.parser) courses [] for item in soup.select(.course-card-container): course { title: item.select_one(.course-card-name).text.strip(), desc: item.select_one(.course-card-desc).text.strip(), price: item.select_one(.course-card-price).text.strip(), students: item.select_one(.course-card-info span:last-child).text.strip() } courses.append(course) return pd.DataFrame(courses)3.3 数据存储建议采用CSV格式存储便于后续分析df get_courses() df.to_csv(imooc_courses.csv, indexFalse, encodingutf_8_sig)4. 高级技巧与优化4.1 分页处理慕课网采用动态分页加载需要处理分页逻辑def get_all_courses(max_pages5): all_courses [] for page in range(1, max_pages1): print(f正在抓取第{page}页...) all_courses.append(get_courses(page)) time.sleep(random.uniform(1, 3)) # 随机延迟避免封禁 return pd.concat(all_courses, ignore_indexTrue)4.2 异常处理增加健壮性处理try: resp requests.get(url, headersheaders, timeout10) resp.raise_for_status() except requests.exceptions.RequestException as e: print(f请求失败: {e}) return None5. 数据分析应用示例获取数据后可以进行简单的分析df pd.read_csv(imooc_courses.csv) print(df[price].value_counts()) # 价格分布 print(df.groupby(students)[title].count()) # 学习人数分布6. 法律与道德注意事项严格遵守慕课网的robots.txt协议控制请求频率建议≥2秒/次不得用于商业用途仅限个人学习研究使用重要提示大规模爬取可能违反网站服务条款建议在开发阶段使用测试账号避免影响网站正常运营。7. 常见问题解决方案7.1 返回空数据检查元素选择器是否更新确认是否有反爬机制触发尝试添加Cookies模拟登录状态7.2 被封禁IP使用代理IP池轮换降低请求频率修改请求头特征7.3 数据不完整检查动态加载内容使用Selenium等工具处理JS渲染验证分页逻辑是否正确8. 项目扩展方向课程详情爬取深入获取课程大纲、评价等详细信息价格监控系统定时爬取建立价格变化趋势推荐系统基于课程标签构建推荐算法可视化看板使用Pyecharts等库制作数据看板我在实际开发中发现慕课网的页面结构相对稳定但偶尔会进行小范围调整。建议定期检查选择器或者使用更稳健的XPath定位方式。对于需要登录才能查看的内容可以配合使用requests.Session保持会话状态。