目錄
- 爬蟲
- 為什么我們要使用爬蟲
- 爬蟲準(zhǔn)備工作
- 爬蟲項(xiàng)目講解
- 代碼分析
- 1.爬取網(wǎng)頁(yè)
- 2.逐一解析數(shù)據(jù)
- 3.保存數(shù)據(jù)
講解我們的爬蟲之前，先概述關(guān)于爬蟲的簡(jiǎn)單概念（畢竟是零基礎(chǔ)教程）
爬蟲
網(wǎng)絡(luò)爬蟲（又被稱為網(wǎng)頁(yè)蜘蛛，網(wǎng)絡(luò)機(jī)器人）就是模擬瀏覽器發(fā)送網(wǎng)絡(luò)請(qǐng)求，接收請(qǐng)求響應(yīng)，一種按照一定的規(guī)則，自動(dòng)地抓取互聯(lián)網(wǎng)信息的程序。
原則上,只要是瀏覽器(客戶端)能做的事情，爬蟲都能夠做。
為什么我們要使用爬蟲
互聯(lián)網(wǎng)大數(shù)據(jù)時(shí)代，給予我們的是生活的便利以及海量數(shù)據(jù)爆炸式的出現(xiàn)在網(wǎng)絡(luò)中。
過(guò)去，我們通過(guò)書籍、報(bào)紙、電視、廣播或許信息，這些信息數(shù)量有限，且是經(jīng)過(guò)一定的篩選，信息相對(duì)而言比較有效，但是缺點(diǎn)則是信息面太過(guò)于狹窄了。不對(duì)稱的信息傳導(dǎo)，以致于我們視野受限，無(wú)法了解到更多的信息和知識(shí)。
互聯(lián)網(wǎng)大數(shù)據(jù)時(shí)代，我們突然間，信息獲取自由了，我們得到了海量的信息，但是大多數(shù)都是無(wú)效的垃圾信息。
例如新浪微博，一天產(chǎn)生數(shù)億條的狀態(tài)更新，而在百度搜索引擎中，隨意搜一條——減肥100,000,000條信息。
在如此海量的信息碎片中，我們?nèi)绾潍@取對(duì)自己有用的信息呢？
答案是篩選！
通過(guò)某項(xiàng)技術(shù)將相關(guān)的內(nèi)容收集起來(lái)，在分析刪選才能得到我們真正需要的信息。
這個(gè)信息收集分析整合的工作，可應(yīng)用的范疇非常的廣泛，無(wú)論是生活服務(wù)、出行旅行、金融投資、各類制造業(yè)的產(chǎn)品市場(chǎng)需求等等……都能夠借助這個(gè)技術(shù)獲取更精準(zhǔn)有效的信息加以利用。
網(wǎng)絡(luò)爬蟲技術(shù)，雖說(shuō)有個(gè)詭異的名字，讓能第一反應(yīng)是那種軟軟的蠕動(dòng)的生物，但它卻是一個(gè)可以在虛擬世界里，無(wú)往不前的利器。
爬蟲準(zhǔn)備工作
我們平時(shí)都說(shuō)Python爬蟲，其實(shí)這里可能有個(gè)誤解，爬蟲并不是Python獨(dú)有的，可以做爬蟲的語(yǔ)言有很多例如：PHP,JAVA,C#,C++,Python，選擇Python做爬蟲是因?yàn)镻ython相對(duì)來(lái)說(shuō)比較簡(jiǎn)單，而且功能比較齊全。
首先我們需要下載python，我下載的是官方最新的版本 3.8.3
其次我們需要一個(gè)運(yùn)行Python的環(huán)境，我用的是pychram
也可以從官方下載，
我們還需要一些庫(kù)來(lái)支持爬蟲的運(yùn)行（有些庫(kù)Python可能自帶了）
差不多就是這幾個(gè)庫(kù)了，良心的我已經(jīng)在后面寫好注釋了
（爬蟲運(yùn)行過(guò)程中，不一定就只需要上面幾個(gè)庫(kù)，看你爬蟲的一個(gè)具體寫法了，反正需要庫(kù)的話我們可以直接在setting里面安裝）
爬蟲項(xiàng)目講解
我做的是爬取豆瓣評(píng)分電影Top250的爬蟲代碼
我們要爬取的就是這個(gè)網(wǎng)站：https://movie.douban.com/top250
這邊我已經(jīng)爬取完畢，給大家看下效果圖，我是將爬取到的內(nèi)容存到xls中
我們的爬取的內(nèi)容是：電影詳情鏈接，圖片鏈接，影片中文名，影片外國(guó)名，評(píng)分，評(píng)價(jià)數(shù)，概況，相關(guān)信息。
代碼分析
先把代碼發(fā)放上來(lái)，然后我根據(jù)代碼逐步解析
# -*- codeing = utf-8 -*-
from bs4 import BeautifulSoup # 網(wǎng)頁(yè)解析，獲取數(shù)據(jù)
import re # 正則表達(dá)式，進(jìn)行文字匹配`
import urllib.request, urllib.error # 制定URL，獲取網(wǎng)頁(yè)數(shù)據(jù)
import xlwt # 進(jìn)行excel操作
#import sqlite3 # 進(jìn)行SQLite數(shù)據(jù)庫(kù)操作
findLink = re.compile(r'a href="(.*?)" rel="external nofollow" rel="external nofollow" >') # 創(chuàng)建正則表達(dá)式對(duì)象，標(biāo)售規(guī)則 影片詳情鏈接的規(guī)則
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*)人評(píng)價(jià)/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=" #要爬取的網(wǎng)頁(yè)鏈接
# 1.爬取網(wǎng)頁(yè)
datalist = getData(baseurl)
savepath = "豆瓣電影Top250.xls" #當(dāng)前目錄新建XLS，存儲(chǔ)進(jìn)去
# dbpath = "movie.db" #當(dāng)前目錄新建數(shù)據(jù)庫(kù)，存儲(chǔ)進(jìn)去
# 3.保存數(shù)據(jù)
saveData(datalist,savepath) #2種存儲(chǔ)方式可以只選擇一種
# saveData2DB(datalist,dbpath)
# 爬取網(wǎng)頁(yè)
def getData(baseurl):
datalist = [] #用來(lái)存儲(chǔ)爬取的網(wǎng)頁(yè)信息
for i in range(0, 10): # 調(diào)用獲取頁(yè)面信息的函數(shù)，10次
url = baseurl + str(i * 25)
html = askURL(url) # 保存獲取到的網(wǎng)頁(yè)源碼
# 2.逐一解析數(shù)據(jù)
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 = [] # 保存一部電影所有信息
item = str(item)
link = re.findall(findLink, item)[0] # 通過(guò)正則表達(dá)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("/", "") #消除轉(zhuǎn)義字符
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
# 得到指定一個(gè)URL的網(wǎng)頁(yè)內(nèi)容
def askURL(url):
head = { # 模擬瀏覽器頭部信息，向豆瓣服務(wù)器發(fā)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"
}
# 用戶代理，表示告訴豆瓣服務(wù)器，我們是什么類型的機(jī)器、瀏覽器（本質(zhì)上是告訴瀏覽器，我們可以接收什么水平的文件內(nèi)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
# 保存數(shù)據(jù)到表格
def saveData(datalist,savepath):
print("save.......")
book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創(chuàng)建workbook對(duì)象
sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)建工作表
col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國(guó)名","評(píng)分","評(píng)價(jià)數(shù)","概況","相關(guān)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條" %(i+1)) #輸出語(yǔ)句，用來(lái)測(cè)試
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #數(shù)據(jù)
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) #輸出查詢語(yǔ)句，用來(lái)測(cè)試
# 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
# )
#
#
# ''' #創(chuàng)建數(shù)據(jù)表
# conn = sqlite3.connect(dbpath)
# cursor = conn.cursor()
# cursor.execute(sql)
# conn.commit()
# conn.close()
# 保存數(shù)據(jù)到數(shù)據(jù)庫(kù)
if __name__ == "__main__": # 當(dāng)程序執(zhí)行時(shí)
# 調(diào)用函數(shù)
main()
# init_db("movietest.db")
print("爬取完畢！")
下面我根據(jù)代碼，從下到下給大家講解分析一遍
-- codeing = utf-8 --，開頭的這個(gè)是設(shè)置編碼為utf-8 ，寫在開頭，防止亂碼。
然后下面import就是導(dǎo)入一些庫(kù)，做做準(zhǔn)備工作，（sqlite3這庫(kù)我并沒(méi)有用到所以我注釋起來(lái)了）。
下面一些find開頭的是正則表達(dá)式，是用來(lái)我們篩選信息的。
（正則表達(dá)式用到 re 庫(kù)，也可以不用正則表達(dá)式，不是必須的。）
大體流程分三步走：
1. 爬取網(wǎng)頁(yè)
2.逐一解析數(shù)據(jù)
3. 保存網(wǎng)頁(yè)
先分析流程
1.爬取網(wǎng)頁(yè)
baseurl 就是我們要爬蟲的網(wǎng)頁(yè)網(wǎng)址，往下走，調(diào)用了 getData（baseurl) ,
我們來(lái)看 getData方法
for i in range(0, 10): # 調(diào)用獲取頁(yè)面信息的函數(shù)，10次
url = baseurl + str(i * 25)
這段大家可能看不懂，其實(shí)是這樣的：
因?yàn)殡娪霸u(píng)分Top250，每個(gè)頁(yè)面只顯示25個(gè)，所以我們需要訪問(wèn)頁(yè)面10次，25*10=250。
baseurl = "https://movie.douban.com/top250?start="
我們只要在baseurl后面加上數(shù)字就會(huì)跳到相應(yīng)頁(yè)面，比如i=1時(shí)
https://movie.douban.com/top250?start=25
我放上超鏈接，大家可以點(diǎn)擊看看會(huì)跳到哪個(gè)頁(yè)面，畢竟實(shí)踐出真知。
然后又調(diào)用了askURL來(lái)請(qǐng)求網(wǎng)頁(yè)，這個(gè)方法是請(qǐng)求網(wǎng)頁(yè)的主體方法，
怕大家翻頁(yè)麻煩，我再把代碼復(fù)制一遍，讓大家有個(gè)直觀感受
def askURL(url):
head = { # 模擬瀏覽器頭部信息，向豆瓣服務(wù)器發(fā)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"
}
# 用戶代理，表示告訴豆瓣服務(wù)器，我們是什么類型的機(jī)器、瀏覽器（本質(zhì)上是告訴瀏覽器，我們可以接收什么水平的文件內(nèi)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
這個(gè)askURL就是用來(lái)向網(wǎng)頁(yè)發(fā)送請(qǐng)求用的，那么這里就有老鐵問(wèn)了，為什么這里要寫個(gè)head呢？
這是因?yàn)槲覀円遣粚懙脑挘L問(wèn)某些網(wǎng)站的時(shí)候會(huì)被認(rèn)出來(lái)爬蟲，顯示錯(cuò)誤，錯(cuò)誤代碼
418
這是一個(gè)梗大家可以百度下，
418 I'm a teapot
The HTTP 418 I'm a teapot client error response code indicates that
the server refuses to brew coffee because it is a teapot. This error
is a reference to Hyper Text Coffee Pot Control Protocol which was an
April Fools' joke in 1998.
我是一個(gè)茶壺
所以我們需要 “裝” ，裝成我們就是一個(gè)瀏覽器，這樣就不會(huì)被認(rèn)出來(lái)，
偽裝一個(gè)身份。
來(lái)，我們繼續(xù)往下走，
html = response.read().decode("utf-8")
這段就是我們讀取網(wǎng)頁(yè)的內(nèi)容，設(shè)置編碼為utf-8，目的就是為了防止亂碼。
訪問(wèn)成功后，來(lái)到了第二個(gè)流程：
2.逐一解析數(shù)據(jù)
解析數(shù)據(jù)這里我們用到了 BeautifulSoup（靚湯） 這個(gè)庫(kù)，這個(gè)庫(kù)是幾乎是做爬蟲必備的庫(kù)，無(wú)論你是什么寫法。
下面就開始查找符合我們要求的數(shù)據(jù)，用BeautifulSoup的方法以及 re 庫(kù)的
正則表達(dá)式去匹配，
findLink = re.compile(r'a href="(.*?)" rel="external nofollow" rel="external nofollow" >') # 創(chuàng)建正則表達(dá)式對(duì)象，標(biāo)售規(guī)則 影片詳情鏈接的規(guī)則
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*)人評(píng)價(jià)/span>')
findInq = re.compile(r'span class="inq">(.*)/span>')
findBd = re.compile(r'p class="">(.*?)/p>', re.S)
匹配到符合我們要求的數(shù)據(jù)，然后存進(jìn) dataList ， 所以 dataList 里就存放著我們需要的數(shù)據(jù)了。
最后一個(gè)流程：
3.保存數(shù)據(jù)
# 3.保存數(shù)據(jù)
saveData(datalist,savepath) #2種存儲(chǔ)方式可以只選擇一種
# saveData2DB(datalist,dbpath)
保存數(shù)據(jù)可以選擇保存到 xls 表， 需要（xlwt庫(kù)支持）
也可以選擇保存數(shù)據(jù)到 sqlite數(shù)據(jù)庫(kù)， 需要（sqlite3庫(kù)支持）
這里我選擇保存到 xls 表 ，這也是為什么我注釋了一大堆代碼，注釋的部分就是保存到 sqlite 數(shù)據(jù)庫(kù)的代碼，二者選一就行
保存到 xls 的主體方法是 saveData （下面的saveData2DB方法是保存到sqlite數(shù)據(jù)庫(kù)）：
def saveData(datalist,savepath):
print("save.......")
book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創(chuàng)建workbook對(duì)象
sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)建工作表
col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國(guó)名","評(píng)分","評(píng)價(jià)數(shù)","概況","相關(guān)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條" %(i+1)) #輸出語(yǔ)句，用來(lái)測(cè)試
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #數(shù)據(jù)
book.save(savepath) #保存
創(chuàng)建工作表，創(chuàng)列（會(huì)在當(dāng)前目錄下創(chuàng)建），
sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)建工作表
col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國(guó)名","評(píng)分","評(píng)價(jià)數(shù)","概況","相關(guān)信息")
然后把 dataList里的數(shù)據(jù)一條條存進(jìn)去就行。
最后運(yùn)作成功后，會(huì)在左側(cè)生成這么一個(gè)文件
打開之后看看是不是我們想要的結(jié)果
成了，成了！
如果我們需要以數(shù)據(jù)庫(kù)方式存儲(chǔ)，可以先生成 xls 文件，再把 xls 文件導(dǎo)入數(shù)據(jù)庫(kù)中，就可以啦
以上就是零基礎(chǔ)學(xué)習(xí)Python爬蟲的詳細(xì)內(nèi)容，更多關(guān)于Python爬蟲的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:- Python爬蟲技術(shù)
- python爬蟲設(shè)置每個(gè)代理ip的簡(jiǎn)單方法
- Python爬蟲爬取商品失敗處理方法
- Python獲取江蘇疫情實(shí)時(shí)數(shù)據(jù)及爬蟲分析
- Python爬蟲之Scrapy環(huán)境搭建案例教程
- Python爬蟲中urllib3與urllib的區(qū)別是什么
- 教你如何利用python3爬蟲爬取漫畫島-非人哉漫畫
- Python趣味爬蟲之爬取愛(ài)奇藝熱門電影
- python 簡(jiǎn)單的股票基金爬蟲
