前言:我分享的都是一些自己的学习经历和干货,关于我的系统学习路线,和一些实战教程,都打包整理好了。如果能对你有帮助,还希望能帮忙点赞、关注、收藏,大家的鼓励,是我分享的动力!(给大家鞠躬了) 讲解我们的爬虫之前,先概述关于爬虫的简单概念(毕竟是零基础教程)爬虫网络爬虫(又被称为网页蜘蛛,网络机器人)就是模拟浏览器发送网络请求,接收请求响应,一种按照一定的规则,自动地抓取互联网信息的程序。 为什么我们要使用爬虫?互联网大数据时代,给予我们的是生活的便利以及海量数据爆炸式的出现在网络中。 爬虫准备工作我们平时都说Python爬虫,其实这里可能有个误解,爬虫并不是Python独有的,可以做爬虫的语言有很多例如:PHP,JAVA,C#,C++,Python,选择Python做爬虫是因为Python相对来说比较简单,而且功能比较齐全。 也可以从官方下载, 差不多就是这几个库了,良心的我已经在后面写好注释了 (爬虫运行过程中,不一定就只需要上面几个库,看你爬虫的一个具体写法了,反正需要库的话我们可以直接在setting里面安装) 爬虫项目讲解我做的是爬取豆瓣评分电影Top250的爬虫代码 这边我已经爬取完毕,给大家看下效果图,我是将爬取到的内容存到xls中
代码分析先把代码发放上来,然后我根据代码逐步解析 # -*- codeing = utf-8 -*-from bs4 import BeautifulSoup # 网页解析,获取数据import re # 正则表达式,进行文字匹配`import urllib.request, urllib.error # 制定URL,获取网页数据import xlwt # 进行excel操作#import sqlite3 # 进行SQLite数据库操作findLink = re.compile(r'<a href='(.*?)'>') # 创建正则表达式对象,标售规则 影片详情链接的规则findImgSrc = re.compile(r'<img.*src='(.*?)'', re.S)findTitle = re.compile(r'<span class='title'>(.*)</span>')findRating = re.compile(r'<span class='rating_num' property='v:average'>(.*)</span>')findJudge = re.compile(r'<span>(\d*)人评价</span>')findInq = re.compile(r'<span class='inq'>(.*)</span>')findBd = re.compile(r'<p class=''>(.*?)</p>', re.S)def main():baseurl = 'https://movie.douban.com/top250?start=' #要爬取的网页链接# 1.爬取网页datalist = getData(baseurl)savepath = '豆瓣电影Top250.xls' #当前目录新建XLS,存储进去# dbpath = 'movie.db' #当前目录新建数据库,存储进去# 3.保存数据saveData(datalist,savepath) #2种存储方式可以只选择一种# saveData2DB(datalist,dbpath)# 爬取网页def getData(baseurl):datalist = [] #用来存储爬取的网页信息for i in range(0, 10): # 调用获取页面信息的函数,10次url = baseurl + str(i * 25)html = askURL(url) # 保存获取到的网页源码# 2.逐一解析数据soup = BeautifulSoup(html, 'html.parser')for item in soup.find_all('div', class_='item'): # 查找符合要求的字符串data = [] # 保存一部电影所有信息item = str(item)link = re.findall(findLink, item)[0] # 通过正则表达式查找data.append(link)imgSrc = re.findall(findImgSrc, item)[0]data.append(imgSrc)titles = re.findall(findTitle, item)if (len(titles) == 2):ctitle = titles[0]data.append(ctitle)otitle = titles[1].replace('/', '') #消除转义字符data.append(otitle)else:data.append(titles[0])data.append(' ')rating = re.findall(findRating, item)[0]data.append(rating)judgeNum = re.findall(findJudge, item)[0]data.append(judgeNum)inq = re.findall(findInq, item)if len(inq) != 0:inq = inq[0].replace('。', '')data.append(inq)else:data.append(' ')bd = re.findall(findBd, item)[0]bd = re.sub('<br(\s+)?/>(\s+)?', '', bd)bd = re.sub('/', '', bd)data.append(bd.strip())datalist.append(data)return datalist# 得到指定一个URL的网页内容def askURL(url):head = { # 模拟浏览器头部信息,向豆瓣服务器发送消息'User-Agent': 'Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122 Safari / 537.36'}# 用户代理,表示告诉豆瓣服务器,我们是什么类型的机器、浏览器(本质上是告诉浏览器,我们可以接收什么水平的文件内容)request = urllib.request.Request(url, headers=head)html = ''try:response = urllib.request.urlopen(request)html = response.read().decode('utf-8')except urllib.error.URLError as e:if hasattr(e, 'code'):print(e.code)if hasattr(e, 'reason'):print(e.reason)return html# 保存数据到表格def saveData(datalist,savepath):print('save.......')book = xlwt.Workbook(encoding='utf-8',style_compression=0) #创建workbook对象sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表col = ('电影详情链接','图片链接','影片中文名','影片外国名','评分','评价数','概况','相关信息')for i in range(0,8):sheet.write(0,i,col[i]) #列名for i in range(0,250):# print('第%d条' %(i+1)) #输出语句,用来测试data = datalist[i]for j in range(0,8):sheet.write(i+1,j,data[j]) #数据book.save(savepath) #保存# def saveData2DB(datalist,dbpath):# init_db(dbpath)# conn = sqlite3.connect(dbpath)# cur = conn.cursor()# for data in datalist:# for index in range(len(data)):# if index == 4 or index == 5:# continue# data[index] = '''+data[index]+'''# sql = '''# insert into movie250(# info_link,pic_link,cname,ename,score,rated,instroduction,info)# values (%s)'''%','.join(data)# # print(sql) #输出查询语句,用来测试# cur.execute(sql)# conn.commit()# cur.close# conn.close()# def init_db(dbpath):# sql = '''# create table movie250(# id integer primary key autoincrement,# info_link text,# pic_link text,# cname varchar,# ename varchar ,# score numeric,# rated numeric,# instroduction text,# info text# )### ''' #创建数据表# conn = sqlite3.connect(dbpath)# cursor = conn.cursor()# cursor.execute(sql)# conn.commit()# conn.close()# 保存数据到数据库if __name__ == '__main__': # 当程序执行时# 调用函数main()# init_db('movietest.db')print('爬取完毕!') 下面我根据代码,从下到下给大家讲解分析一遍
1. 爬取网页 先分析流程1,爬取网页,baseurl 就是我们要爬虫的网页网址,往下走,调用了 getData(baseurl) , for i in range(0, 10): # 调用获取页面信息的函数,10次url = baseurl + str(i * 25) 这段大家可能看不懂,其实是这样的: baseurl = 'https://movie.douban.com/top250?start=' 我们只要在baseurl后面加上数字就会跳到相应页面,比如i=1时 https://movie.douban.com/top250?start=25 我放上超链接,大家可以点击看看会跳到哪个页面,毕竟实践出真知。
def askURL(url):head = { # 模拟浏览器头部信息,向豆瓣服务器发送消息'User-Agent': 'Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122 Safari / 537.36'}# 用户代理,表示告诉豆瓣服务器,我们是什么类型的机器、浏览器(本质上是告诉浏览器,我们可以接收什么水平的文件内容)request = urllib.request.Request(url, headers=head)html = ''try:response = urllib.request.urlopen(request)html = response.read().decode('utf-8')except urllib.error.URLError as e:if hasattr(e, 'code'):print(e.code)if hasattr(e, 'reason'):print(e.reason)return html 这个askURL就是用来向网页发送请求用的,那么这里就有老铁问了,为什么这里要写个head呢?
418这是一个梗大家可以百度下,
我是一个茶壶 所以我们需要 “装” ,装成我们就是一个浏览器,这样就不会被认出来,
html = response.read().decode('utf-8') 这段就是我们读取网页的内容,设置编码为utf-8,目的就是为了防止乱码。 2.逐一解析数据解析数据这里我们用到了 BeautifulSoup(靓汤) 这个库,这个库是几乎是做爬虫必备的库,无论你是什么写法。 下面就开始查找符合我们要求的数据,用BeautifulSoup的方法以及 re 库的 findLink = re.compile(r'<a href='(.*?)'>') # 创建正则表达式对象,标售规则 影片详情链接的规则findImgSrc = re.compile(r'<img.*src='(.*?)'', re.S)findTitle = re.compile(r'<span class='title'>(.*)</span>')findRating = re.compile(r'<span class='rating_num' property='v:average'>(.*)</span>')findJudge = re.compile(r'<span>(\d*)人评价</span>')findInq = re.compile(r'<span class='inq'>(.*)</span>')findBd = re.compile(r'<p class=''>(.*?)</p>', re.S) 匹配到符合我们要求的数据,然后存进 dataList , 所以 dataList 里就存放着我们需要的数据了。 最后一个流程: 3.保存数据# 3.保存数据saveData(datalist,savepath) #2种存储方式可以只选择一种# saveData2DB(datalist,dbpath) 保存数据可以选择保存到 xls 表, 需要(xlwt库支持) 这里我选择保存到 xls 表 ,这也是为什么我注释了一大堆代码,注释的部分就是保存到 sqlite 数据库的代码,二者选一就行 保存到 xls 的主体方法是 saveData (下面的saveData2DB方法是保存到sqlite数据库): def saveData(datalist,savepath):print('save.......')book = xlwt.Workbook(encoding='utf-8',style_compression=0) #创建workbook对象sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表col = ('电影详情链接','图片链接','影片中文名','影片外国名','评分','评价数','概况','相关信息')for i in range(0,8):sheet.write(0,i,col[i]) #列名for i in range(0,250):# print('第%d条' %(i+1)) #输出语句,用来测试data = datalist[i]for j in range(0,8):sheet.write(i+1,j,data[j]) #数据book.save(savepath) #保存 创建工作表,创列(会在当前目录下创建), sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表col = ('电影详情链接','图片链接','影片中文名','影片外国名','评分','评价数','概况','相关信息') 然后把 dataList里的数据一条条存进去就行。 最后运作成功后,会在左侧生成这么一个文件
成了,成了! |
|