文章详情

短信预约-IT技能 免费直播动态提醒

请输入下面的图形验证码

提交验证

短信预约提醒成功

Python爬虫超详细讲解,零基础入门,老年人都看得懂

2024-12-02 16:43

关注

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。

原则上,只要是浏览器(客户端)能做的事情,爬虫都能够做。

为什么我们要使用爬虫

互联网大数据时代,给予我们生活的便利以及海量数据爆炸式地出现在网络中。

过去,我们通过书籍、报纸、电视、广播或许信息,这些信息数量有限,且是经过一定的筛选,信息相对而言比较有效,但是缺点则是信息面太过于狭窄了。不对称的信息传导,以致于我们视野受限,无法了解到更多的信息和知识。

互联网大数据时代,我们突然间,信息获取自由了,我们得到了海量的信息,但是大多数都是无效的垃圾信息。

例如新浪微博,一天产生数亿条的状态更新,而在百度搜索引擎中,随意搜一条——减肥100,000,000条信息。

在如此海量的信息碎片中,我们如何获取对自己有用的信息呢?

答案是筛选!

通过某项技术将相关的内容收集起来,在分析删选才能得到我们真正需要的信息。

这个信息收集分析整合的工作,可应用的范畴非常的广泛,无论是生活服务、出行旅行、金融投资、各类制造业的产品市场需求等等……都能够借助这个技术获取更精准有效的信息加以利用。

网络爬虫技术,虽说有个诡异的名字,让能第一反应是那种软软的蠕动的生物,但它却是一个可以在虚拟世界里,无往不前的利器。

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。

首先我们需要下载python,我下载的是官方最新的版本 3.8.3

其次我们需要一个运行Python的环境,我用的是pychram

[[435645]]

也可以从官方下载,

我们还需要一些库来支持爬虫的运行(有些库Python可能自带了)


差不多就是这几个库了,良心的我已经在后面写好注释了

[[435646]]

(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

我们要爬取的就是这个网站:

https://movie.douban.com/top250

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


我们的爬取的内容是: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。

代码分析

先把代码发放上来,然后我再根据代码逐步解析

  1. # -*- codeing = utf-8 -*- 
  2. from bs4 import BeautifulSoup  # 网页解析,获取数据 
  3. import re  # 正则表达式,进行文字匹配` 
  4. import urllib.request, urllib.error  # 制定URL,获取网页数据 
  5. import xlwt  # 进行excel操作 
  6. #import sqlite3  # 进行SQLite数据库操作 
  7.  
  8. findLink = re.compile(r'')  # 创建正则表达式对象,标售规则   影片详情链接的规则 
  9. findImgSrc = re.compile(r', re.S) 
  10. findTitle = re.compile(r'(.*)'
  11. findRating = re.compile(r'(.*)'
  12. findJudge = re.compile(r'(\d*)人评价'
  13. findInq = re.compile(r'(.*)'
  14. findBd = re.compile(r'(.*?)

    '
    , re.S) 
  15.  
  16.  
  17.  
  18.  
  19. def main(): 
  20.     baseurl = "https://movie.douban.com/top250?start="  #要爬取的网页链接 
  21.     # 1.爬取网页 
  22.     datalist = getData(baseurl) 
  23.     savepath = "豆瓣电影Top250.xls"    #当前目录新建XLS,存储进去 
  24.     # dbpath = "movie.db"              #当前目录新建数据库,存储进去 
  25.     # 3.保存数据 
  26.     saveData(datalist,savepath)      #2种存储方式可以只选择一种 
  27.     # saveData2DB(datalist,dbpath) 
  28.  
  29.  
  30.  
  31. # 爬取网页 
  32. def getData(baseurl): 
  33.     datalist = []  #用来存储爬取的网页信息 
  34.     for i in range(0, 10):  # 调用获取页面信息的函数,10次 
  35.         url = baseurl + str(i * 25) 
  36.         html = askURL(url)  # 保存获取到的网页源码 
  37.         # 2.逐一解析数据 
  38.         soup = BeautifulSoup(html, "html.parser"
  39.         for item in soup.find_all('div', class_="item"):  # 查找符合要求的字符串 
  40.             data = []  # 保存一部电影所有信息 
  41.             item = str(item) 
  42.             link = re.findall(findLink, item)[0]  # 通过正则表达式查找 
  43.             data.append(link) 
  44.             imgSrc = re.findall(findImgSrc, item)[0] 
  45.             data.append(imgSrc) 
  46.             titles = re.findall(findTitle, item) 
  47.             if (len(titles) == 2): 
  48.                 ctitle = titles[0] 
  49.                 data.append(ctitle) 
  50.                 otitle = titles[1].replace("/""")  #消除转义字符 
  51.                 data.append(otitle) 
  52.             else
  53.                 data.append(titles[0]) 
  54.                 data.append(' '
  55.             rating = re.findall(findRating, item)[0] 
  56.             data.append(rating) 
  57.             judgeNum = re.findall(findJudge, item)[0] 
  58.             data.append(judgeNum) 
  59.             inq = re.findall(findInq, item) 
  60.             if len(inq) != 0: 
  61.                 inq = inq[0].replace("。"""
  62.                 data.append(inq) 
  63.             else
  64.                 data.append(" "
  65.             bd = re.findall(findBd, item)[0] 
  66.             bd = re.sub('(\s+)?'"", bd) 
  67.             bd = re.sub('/'"", bd) 
  68.             data.append(bd.strip()) 
  69.             datalist.append(data) 
  70.  
  71.     return datalist 
  72.  
  73.  
  74. # 得到指定一个URL的网页内容 
  75. def askURL(url): 
  76.     head = {  # 模拟浏览器头部信息,向豆瓣服务器发送消息 
  77.         "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" 
  78.     } 
  79.     # 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) 
  80.  
  81.     request = urllib.request.Request(url, headers=head) 
  82.     html = "" 
  83.     try: 
  84.         response = urllib.request.urlopen(request) 
  85.         html = response.read().decode("utf-8"
  86.     except urllib.error.URLError as e: 
  87.         if hasattr(e, "code"): 
  88.             print(e.code) 
  89.         if hasattr(e, "reason"): 
  90.             print(e.reason) 
  91.     return html 
  92.  
  93.  
  94. # 保存数据到表格 
  95. def saveData(datalist,savepath): 
  96.     print("save......."
  97.     book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象 
  98.     sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表 
  99.     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"
  100.     for i in range(0,8): 
  101.         sheet.write(0,i,col[i])  #列名 
  102.     for i in range(0,250): 
  103.         # print("第%d条" %(i+1))       #输出语句,用来测试 
  104.         data = datalist[i] 
  105.         for j in range(0,8): 
  106.             sheet.write(i+1,j,data[j])  #数据 
  107.     book.save(savepath) #保存 
  108.  
  109. # def saveData2DB(datalist,dbpath): 
  110. #     init_db(dbpath) 
  111. #     conn = sqlite3.connect(dbpath) 
  112. #     cur = conn.cursor() 
  113. #     for data in datalist: 
  114. #             for index in range(len(data)): 
  115. #                 if index == 4 or index == 5: 
  116. #                     continue 
  117. #                 data[index] = '"'+data[index]+'"' 
  118. #             sql = ''
  119. #                     insert into movie250( 
  120. #                     info_link,pic_link,cname,ename,score,rated,instroduction,info) 
  121. #                     values (%s)'''%",".join(data) 
  122. #             # print(sql)     #输出查询语句,用来测试 
  123. #             cur.execute(sql) 
  124. #             conn.commit() 
  125. #     cur.close 
  126. #     conn.close() 
  127.  
  128.  
  129. # def init_db(dbpath): 
  130. #     sql = ''
  131. #         create table movie250( 
  132. #         id integer  primary  key autoincrement, 
  133. #         info_link text, 
  134. #         pic_link text, 
  135. #         cname varchar
  136. #         ename varchar , 
  137. #         score numeric
  138. #         rated numeric
  139. #         instroduction text, 
  140. #         info text 
  141. #         ) 
  142. #     '''  #创建数据表 
  143. #     conn = sqlite3.connect(dbpath) 
  144. #     cursor = conn.cursor() 
  145. #     cursor.execute(sql) 
  146. #     conn.commit() 
  147. #     conn.close() 
  148.  
  149. # 保存数据到数据库 
  150.  
  151.  
  152.  
  153.  
  154.  
  155.  
  156.  
  157. if __name__ == "__main__":  # 当程序执行时 
  158.     # 调用函数 
  159.      main() 
  160.     # init_db("movietest.db"
  161.      print("爬取完毕!"

 下面我根据代码,从上到下给大家讲解分析一遍

[[435647]]

-- codeing = utf-8 --,开头的这个是设置编码为utf-8 ,写在开头,防止乱码。

然后下面 import就是导入一些库,做做准备工作,(sqlite3这库我并没有用到所以我注释起来了)。

下面一些find开头的是正则表达式,是用来我们筛选信息的。

(正则表达式用到 re 库克,也可以不用正则表达式,不是必须的。)

大体流程分三步走:

爬取网页

逐一解析数据

保存网页

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) ,

我们来看 getData方法

  1. for i in range(0, 10):  # 调用获取页面信息的函数,10次 
  2.       url = baseurl + str(i * 25) 

 这段时间大家可能看不懂,其实是这样的:

因为电影评分Top250,每个页面只显示25个,所以我们需要访问页面10次,25*10=250。

  1. 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

  1. 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。

[[435648]]

然后又调用了askURL来请求网页,这个方法是请求网页的主体方法,

怕大家翻页麻烦,我再把代码复制一遍,让大家有个直观的感受

  1. def askURL(url): 
  2.     head = {  # 模拟浏览器头部信息,向豆瓣服务器发送消息 
  3.         "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" 
  4.     } 
  5.     # 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) 
  6.  
  7.     request = urllib.request.Request(url, headers=head) 
  8.     html = "" 
  9.     try: 
  10.         response = urllib.request.urlopen(request) 
  11.         html = response.read().decode("utf-8"
  12.     except urllib.error.URLError as e: 
  13.         if hasattr(e, "code"): 
  14.             print(e.code) 
  15.         if hasattr(e, "reason"): 
  16.             print(e.reason) 
  17.     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?

[[435649]]

这是因为我们要是不写的话,访问某些网站的时候会被认出来爬虫,显示错误,错误代码

418

这是一个梗大家可以百度一下,

  1. 418 I’m a teapot 
  2.  
  3. The HTTP 418 I’m a teapot client error response code indicates that 
  4. the server refuses to brew coffee because it is a teapot. This error 
  5. is a reference to Hyper Text Coffee Pot Control Protocol which was an 
  6. April Fools’ joke in 1998. 

 我是一个茶壶

[[435650]]

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,

伪装一个身份。

来,我们继续往下走,

  1. 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。

访问成功后,来到了第二个流程:

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

正则表达式去匹配,

  1. findLink = re.compile(r'')  # 创建正则表达式对象,标售规则   影片详情链接的规则 
  2. findImgSrc = re.compile(r', re.S) 
  3. findTitle = re.compile(r'(.*)'
  4. findRating = re.compile(r'(.*)'
  5. findJudge = re.compile(r'(\d*)人评价'
  6. findInq = re.compile(r'(.*)'
  7. findBd = re.compile(r'(.*?)

    '
    , 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

  1. # 3.保存数据 
  2.   saveData(datalist,savepath)      #2种存储方式可以只选择一种 
  3.   # saveData2DB(datalist,dbpath) 

保存数据可以选择保存到 xls 表, 需要(xlwt库支持)

也可以选择保存数据到 sqlite数据库, 需要(sqlite3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):

  1. def saveData(datalist,savepath): 
  2.     print("save......."
  3.     book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象 
  4.     sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表 
  5.     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"
  6.     for i in range(0,8): 
  7.         sheet.write(0,i,col[i])  #列名 
  8.     for i in range(0,250): 
  9.         # print("第%d条" %(i+1))       #输出语句,用来测试 
  10.         data = datalist[i] 
  11.         for j in range(0,8): 
  12.             sheet.write(i+1,j,data[j])  #数据 
  13.     book.save(savepath) #保存 

 创建工作表,创列(会在当前目录下创建),

  1. sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表 
  2.    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


打开之后看看是不是我们想要的结果


成了,成了!

[[435652]]

如果我们需要以数据库方式存储,可以先生成 xls 文件,再把 xls 文件导入数据库中,就可以啦

本篇文章讲解到这里啦,我感觉我讲的还算细致吧,爬虫我也是最近才可以学 。

 

来源:今日头条内容投诉

免责声明:

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

软考中级精品资料免费领

  • 历年真题答案解析
  • 备考技巧名师总结
  • 高频考点精准押题
  • 2024年上半年信息系统项目管理师第二批次真题及答案解析(完整版)

    难度     813人已做
    查看
  • 【考后总结】2024年5月26日信息系统项目管理师第2批次考情分析

    难度     354人已做
    查看
  • 【考后总结】2024年5月25日信息系统项目管理师第1批次考情分析

    难度     318人已做
    查看
  • 2024年上半年软考高项第一、二批次真题考点汇总(完整版)

    难度     435人已做
    查看
  • 2024年上半年系统架构设计师考试综合知识真题

    难度     224人已做
    查看

相关文章

发现更多好内容

猜你喜欢

AI推送时光机
位置:首页-资讯-后端开发
咦!没有更多了?去看看其它编程学习网 内容吧
首页课程
资料下载
问答资讯