Python爬蟲詳解

来源:https://www.cnblogs.com/twq46/archive/2022/09/30/16739759.html
-Advertisement-
Play Games

1、任務介紹 需求分析 爬取豆瓣電影Top250的基本信息,包括電影的名稱,豆瓣評分,評價數,電影概況,電影鏈接等。 https://movie.douban.com/top250 2、基本流程 2.1、準備工作 通過瀏覽器查看分析目標網頁,學習編程基礎規範 與Java的一些區別,Python沒有主 ...


1、任務介紹

需求分析
爬取豆瓣電影Top250的基本信息,包括電影的名稱,豆瓣評分,評價數,電影概況,電影鏈接等。

https://movie.douban.com/top250

2、基本流程

2.1、準備工作

通過瀏覽器查看分析目標網頁,學習編程基礎規範 與Java的一些區別,Python沒有主函數,需要自己去定義並判斷
def main():#所有程式從這裡開始執行
    print("hello")

if __name__=="__main__": #當 當前程式執行時
#調用函數
    main()

2.1.1引入模塊

作用就是使用模塊里封裝好的功能
from bs4 import BeautifulSoup#網頁解析
import re #正則表達式,進行文字匹配
import urllib.request,urllib.error #指定URL,獲取網頁數據
import xlwt #進行Excel操作
import sqlite3 # 進行SQLite資料庫操作
#若你的Python升級到2.7.9以後,就會引入一個新特性,
#引入了一個新特性,當使用urllib打開https的鏈接時,會檢驗一次ssl證書
import ssl
#全局取消證書驗證(當項目對安全性問題不太重視時,推薦使用,可以全局取消證書的驗證,簡易方便)
ssl._create_default_https_context = ssl._create_unverified_context


2.1.2構建流程

def main():
    baseurl="https://movie.douban.com/top250"#要爬取的網站的路徑
    #1.爬取網頁
    datalist=getData(baseurl)#將網站爬取的數據存放在datalist中
    savepath="豆瓣電影Top250.xls"#爬取的數據保存的文件名
    #3.保存數據
    saveData(datalist,savepath)#將爬取的數據保存在指定的文件內

#爬取網頁
def getData(baseurl):
    datalist=[]

    return datalist

2.2、獲取數據

通過HTTP庫向目標站點發起請求,請求可以包含額外的header等信息,如果伺服器能正常響應,會得到一個Response,便是所要獲取的頁面內容。 偽裝head得到的方法

#爬取網頁
def getData(baseurl):
    datalist=[]
    for i in range(0,10):#調用獲取頁面信息的函數,10次
        url=baseurl+str(i*25)#baseurl就是參數start後面的值,其實就是個0
        html=askURL(url)#保存獲取到的網頁源碼
       



#得到指定一個URL的網頁內容
def askURL(url):
    #用戶代理表示告訴豆瓣服務我們是什麼類型的機器,瀏覽器(本質上是告訴瀏覽器,我們可以接受什麼水平的文件內容)
    head={ #模擬瀏覽器頭部信息,向豆瓣伺服器發送消息
        "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36" }

    request=urllib.request.Request(url,headers=head)#偽裝成是瀏覽器去發出請求,防止被看出是爬蟲
    html=""
    try:
        #將爬取網頁的源碼存放在response中(獲取一個get請求)
        response = urllib.request.urlopen(request)
        html=response.read().decode("utf-8")#將response中讀取到的源代碼進行解碼
        #print(html)
    except urllib.error.URLError as e:#訪問可能出現404,或者其它錯誤
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)

    return html

2.3、解析內容

得到的內容可能是HTML、json等格式,可以用二面解析庫,正則表達式等進行解析
#影片詳情鏈接的規則
findLink = re.compile(r'<a href="(.*?)">')#創建正則表達式,表示規則(字元竄的模式)

#影片圖片
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)#re.S讓換行符包含在字元中

#影片片名
findTitle=re.compile(r'<span class="title">(.*)</span>')#re.S讓換行符包含在字元中

#影片評分
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')#re.S讓換行符包含在字元中

#找到評價人數
findJudge=re.compile(r'<span>(\d*)人評價</span>')

#找到概況
findInq=re.compile(r'<span class="inq">(.*)</span>')

#找到影片的相關內容
findBd=re.compile(r'<p class="">(.*?)</p>',re.S)

#逐一解析數據
soup= BeautifulSoup(html,"html.parser")#使用html的解析器
for item in soup.find_all('div',class_="item"): #查找符合要求的字元串,形成列表
    #print(item)
    data=[]
    item=str(item)

    #影片詳情鏈接
    link=re.findall(findLink,item)[0]#re庫用來通過正則表達式查找指定的字元串(標簽里的字元串)
    data.append(link)
    #圖片
    imgSrc=re.findall(findImgSrc,item)[0]
    data.append(imgSrc)
    #影片片名
            titles=re.findall(findTitle,item)#片名可能只有一個中文名,沒有外國名
            if(len(titles)==2):#若該電影有兩個名字
                ctitle=titles[0]#得到第一個中文名
                data.append(ctitle)
                otitle=titles[1].replace("/","")#去掉無關的符號,在一個電影名稱中,若有多個名字,每個名字之間會使用/分割開了
                data.append(otitle)#添加外國名
            else:#若只有一個中文名
                data.append(titles[0])#將爬取到的第一個名字存入
                data.append(' ')#外國名留空
            #評分
            rating=re.findall(findRating,item)[0]
            data.append(rating)
            #評價人數
            judgeNum=re.findall(findJudge,item)[0]
            data.append(judgeNum)#增加評價人數
            #概括
            inq=re.findall(findInq,item)
            if len(inq) !=0:#如果電影有概述
                inq=inq[0].replace("。","")#每個電影概述後面有一個句號
                data.append(inq)#添加概述
            else:
                data.append("")#留空

            #相關內容
            bd=re.findall(findBd,item)[0]
            bd=re.sub('<br(\s+)?/>(\s+)?'," ",bd)#去掉<br/>
            bd=re.sub('/'," ",bd)#替換/
            data.append(bd.strip())#去掉前後的空格

            datalist.append(data)#把處理好的一部電影信息放入datalist

2.4、保存數據

保存形式多樣,可以村委文本,也可以保存到數據,或者保存特定格式的文件
#保存數據
def saveData(datalist,savepath):
    print("save..")
    book=xlwt.Workbook(encoding="utf-8",style_compression=0)#創建workbook對象
    sheet=book.add_sheet('豆瓣電影Top250',cell_overwrite_ok=True)#創建工作表
    col=("電影詳情鏈接","圖片鏈接","影片中文名","影片外國名","評分","評價數","概況","相關信息")
    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))
        data=datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])#數據

    book.save(savepath)#保存

最後完整代碼

from bs4 import BeautifulSoup#網頁解析
import re #正則表達式,進行文字匹配
import urllib.request,urllib.error #指定URL,獲取網頁數據
import xlwt #進行Excel操作
import sqlite3 # 進行SQLite資料庫操作
#若你的Python升級到2.7.9以後,就會引入一個新特性,
#引入了一個新特性,當使用urllib打開https的鏈接時,會檢驗一次ssl證書
import ssl
#全局取消證書驗證(當項目對安全性問題不太重視時,推薦使用,可以全局取消證書的驗證,簡易方便)
ssl._create_default_https_context = ssl._create_unverified_context

def main():
    baseurl="https://movie.douban.com/top250?start="
    #1.爬取網頁
    datalist=getData(baseurl)
    savepath="豆瓣電影Top250.xls"
    #3.保存數據
    saveData(datalist,savepath)
    #askURL("https://movie.douban.com/top250")


#影片詳情鏈接的規則
findLink = re.compile(r'<a href="(.*?)">')#創建正則表達式,表示規則(字元竄的模式)
#影片圖片
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)#re.S讓換行符包含在字元中
#影片片名
findTitle=re.compile(r'<span class="title">(.*)</span>')#re.S讓換行符包含在字元中
#影片評分
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')#re.S讓換行符包含在字元中
#找到評價人數
findJudge=re.compile(r'<span>(\d*)人評價</span>')
#找到概況
findInq=re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相關內容
findBd=re.compile(r'<p class="">(.*?)</p>',re.S)


#爬取網頁
def getData(baseurl):
    datalist=[]
    for i in range(0,10):#調用獲取頁面信息的函數,10次
        url=baseurl+str(i*25)#baseurl就是參數start後面的值,其實就是個0
        html=askURL(url)#保存獲取到的網頁源碼
        #逐一解析數據
        soup= BeautifulSoup(html,"html.parser")#使用html的解析器
        for item in soup.find_all('div',class_="item"): #查找符合要求的字元串,形成列表
            #print(item)
            data=[]
            item=str(item)

            #影片詳情鏈接
            link=re.findall(findLink,item)[0]#re庫用來通過正則表達式查找指定的字元串(標簽里的字元串)
            data.append(link)
            #圖片
            imgSrc=re.findall(findImgSrc,item)[0]
            data.append(imgSrc)
            #影片片名
            titles=re.findall(findTitle,item)#片名可能只有一個中文名,沒有外國名
            if(len(titles)==2):#若該電影有兩個名字
                ctitle=titles[0]#得到第一個中文名
                data.append(ctitle)
                otitle=titles[1].replace("/","")#去掉無關的符號,在一個電影名稱中,若有多個名字,每個名字之間會使用/分割開了
                data.append(otitle)#添加外國名
            else:#若只有一個中文名
                data.append(titles[0])#將爬取到的第一個名字存入
                data.append(' ')#外國名留空
            #評分
            rating=re.findall(findRating,item)[0]
            data.append(rating)
            #評價人數
            judgeNum=re.findall(findJudge,item)[0]
            data.append(judgeNum)#增加評價人數
            #概括
            inq=re.findall(findInq,item)
            if len(inq) !=0:#如果電影有概述
                inq=inq[0].replace("。","")#每個電影概述後面有一個句號
                data.append(inq)#添加概述
            else:
                data.append("")#留空

            #相關內容
            bd=re.findall(findBd,item)[0]
            bd=re.sub('<br(\s+)?/>(\s+)?'," ",bd)#去掉<br/>
            bd=re.sub('/'," ",bd)#替換/
            data.append(bd.strip())#去掉前後的空格

            datalist.append(data)#把處理好的一部電影信息放入datalist
    #print(datalist)
    return datalist

#得到指定一個URL的網頁內容
def askURL(url):
    #用戶代理表示告訴豆瓣服務我們是什麼類型的機器,瀏覽器(本質上是告訴瀏覽器,我們可以接受什麼水平的文件內容)
    head={ #模擬瀏覽器頭部信息,向豆瓣伺服器發送消息
        "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36" }

    request=urllib.request.Request(url,headers=head)#偽裝成是瀏覽器去發出請求,防止被看出是爬蟲
    html=""
    try:
        #將爬取網頁的源碼存放在response中(獲取一個get請求)
        response = urllib.request.urlopen(request)
        html=response.read().decode("utf-8")#將response中讀取到的源代碼進行解碼
        #print(html)
    except urllib.error.URLError as e:#訪問可能出現404,或者其它錯誤
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)

    return html


#保存數據
def saveData(datalist,savepath):
    print("save..")
    book=xlwt.Workbook(encoding="utf-8",style_compression=0)#創建workbook對象
    sheet=book.add_sheet('豆瓣電影Top250',cell_overwrite_ok=True)#創建工作表
    col=("電影詳情鏈接","圖片鏈接","影片中文名","影片外國名","評分","評價數","概況","相關信息")
    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))
        data=datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])#數據

    book.save(savepath)#保存




if __name__=="__main__": #當程式執行時
    main()

運行結果


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 適配器設計模式(Adapter Design Pattern)可以將不相容的介面轉換為可相容的介面,讓原本由於介面不相容而不能一起工作的類可以一起工作。 ...
  • 定義 迭代器模式(Iterator pattern):用於順序訪問集合對象里的每一個元素,不用暴露集合是怎樣存儲元素的。 舉例 某個班級有若幹個學生,現在需要統計這些學生的平均分數。假設所有學生的分數是用數組存儲的: int totalScore(int *array, int n) { int s ...
  • ShadingSphere ​ShardingSphere是一款起源於噹噹網內部的應用框架,2015年在噹噹網內部誕生,2016年由主要開發人員張亮帶入京東數科,在國內經歷了噹噹網、電信翼支付、京東數科等多家大型互聯網企業的考驗,在2017年開源。 並逐漸由原本只關註於關係型資料庫增強工具的Shar ...
  • springboot自動配置原理以及手動實現配置類 1、原理 spring有一個思想是“約定大於配置”。 配置類自動配置可以幫助開發人員更加專註於業務邏輯開發,springboot在啟動的時候可以把一些配置類自動註入到spring的IOC容器里,項目運行之後就可以直接使用這些配置類的屬性和方法等。 ...
  • 簡述 類型:創建型 目的:實現對客戶端中對象的平替。 我們藉以下案例來說說如何使用工廠方法模式平替對象。 優化案例 最初版 public interface OS { public void start(); public void sleep(); public void restart(); p ...
  • Java基礎之變數 1.變數概述 1.1 為什麼需要變數 不論是使用哪種高級語言編寫程式,變數都是其程式的基本組成單位。變數有三個基本要素:類型、名稱、值。 class Test{ public static void main(String []args){ int a = 1;//定義一個變數, ...
  • time庫的使用:Python中內置了一些與時間處理相關的庫,如time、datatime和calendar庫。 其中time庫是Python中處理時間的標準庫,是最基礎的時間處理庫。 time庫的功能如下: (1)電腦時間的表達 (2)提供獲取系統時間並格式化輸出功能 (3)提供系統級精確計時功 ...
  • csv的簡單介紹 CSV (Comma Separated Values),即逗號分隔值(也稱字元分隔值,因為分隔符可以不是逗號),是一種常用的文本格式,用以存儲表格數據,包括數字或者字元。很多程式在處理數據時都會碰到csv這種格式的文件。python自帶了csv模塊,專門用於處理csv文件的讀取 ...
一周排行
    -Advertisement-
    Play Games
  • 一個自定義WPF窗體的解決方案,借鑒了呂毅老師的WPF製作高性能的透明背景的異形視窗一文,併在此基礎上增加了滑鼠穿透的功能。可以使得透明窗體的滑鼠事件穿透到下層,在下層窗體中響應。 ...
  • 在C#中使用RabbitMQ做個簡單的發送郵件小項目 前言 好久沒有做項目了,這次做一個發送郵件的小項目。發郵件是一個比較耗時的操作,之前在我的個人博客裡面回覆評論和友鏈申請是會通過發送郵件來通知對方的,不過當時只是簡單的進行了非同步操作。 那麼這次來使用RabbitMQ去統一發送郵件,我的想法是通過 ...
  • 當你使用Edge等瀏覽器或系統軟體播放媒體時,Windows控制中心就會出現相應的媒體信息以及控制播放的功能,如圖。 SMTC (SystemMediaTransportControls) 是一個Windows App SDK (舊為UWP) 中提供的一個API,用於與系統媒體交互。接入SMTC的好 ...
  • 最近在微軟商店,官方上架了新款Win11風格的WPF版UI框架【WPF Gallery Preview 1.0.0.0】,這款應用引入了前沿的Fluent Design UI設計,為用戶帶來全新的視覺體驗。 ...
  • 1.簡單使用實例 1.1 添加log4net.dll的引用。 在NuGet程式包中搜索log4net並添加,此次我所用版本為2.0.17。如下圖: 1.2 添加配置文件 右鍵項目,添加新建項,搜索選擇應用程式配置文件,命名為log4net.config,步驟如下圖: 1.2.1 log4net.co ...
  • 之前也分享過 Swashbuckle.AspNetCore 的使用,不過版本比較老了,本次演示用的示例版本為 .net core 8.0,從安裝使用開始,到根據命名空間分組顯示,十分的有用 ...
  • 在 Visual Studio 中,至少可以創建三種不同類型的類庫: 類庫(.NET Framework) 類庫(.NET 標準) 類庫 (.NET Core) 雖然第一種是我們多年來一直在使用的,但一直感到困惑的一個主要問題是何時使用 .NET Standard 和 .NET Core 類庫類型。 ...
  • WPF的按鈕提供了Template模板,可以通過修改Template模板中的內容對按鈕的樣式進行自定義。結合資源字典,可以將自定義資源在xaml視窗、自定義控制項或者整個App當中調用 ...
  • 實現了一個支持長短按得按鈕組件,單擊可以觸發Click事件,長按可以觸發LongPressed事件,長按鬆開時觸發LongClick事件。還可以和自定義外觀相結合,實現自定義的按鈕外形。 ...
  • 一、WTM是什麼 WalkingTec.Mvvm框架(簡稱WTM)最早開發與2013年,基於Asp.net MVC3 和 最早的Entity Framework, 當初主要是為瞭解決公司內部開發效率低,代碼風格不統一的問題。2017年9月,將代碼移植到了.Net Core上,併進行了深度優化和重構, ...