快速收集信息,Python爬虫教你一招爬取豆瓣Top250信息!

Posted 不想秃头的里里

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了快速收集信息,Python爬虫教你一招爬取豆瓣Top250信息!相关的知识,希望对你有一定的参考价值。

随着科技不断发展,互联网已经进入了大数据时代。

我们过去只能通过报刊杂志、电视广播获取到有限的信息,而现在,互联网上的海量数据,让我们享受到了信息自由。

但是,我们获取到了海量的信息同时,也带来了大量的垃圾信息。

所以必须要通过一些技术手段进行收集、整理、分析、筛选,然后才能获取到对我们有用的相关内容。
而这个技术手段,就叫网络爬虫技术。

前两天老铁跟我吐槽,他的老板突然要他收集豆瓣电影Top250榜单上的电影详细信息,然后做成Excel表格。

他当时听到这个消息很崩溃,他的本职工作不是这一方面,只是被临时拉来顶班。他当时跟我说这么多的信息,复制粘贴也需要很多时间,在他花费了一大把时间,但是并没有什么成果。

所以他来问我:你们程序员有没有什么黑科技,可以快速收集网页信息。

我当时灵光一闪,这用Python爬虫技术不就可以很快实现。用几行代码快速获取信息,生成Excel表格。

在这里插入图片描述


爬虫案例讲解

爬虫可以爬取的内容有很多,比如房价、房源数据,股票信息或者是购物网上的一些商品信息,就是大部分网页上有的信息都可以爬取下来,尤其对于信息收集工作者来说,简直是福音。

对于初学者来说,复杂的爬虫案例可能会有困难,所以我教大家简单的网页信息爬取,以豆瓣电影TOP250榜单为例,把电影信息爬取下来。话不多说,往下看↓ ↓ ↓

这是爬取的结果:
在这里插入图片描述

我这边用的是pychram 运行的,最开始就是导入库和模块

# -*- 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  # 指定URL,获取网页数据

import xlwt  # 进行excel操作

#import sqlite3  # 进行SQLite数据库操作

开头的这个是设置编码为utf-8 ,写在开头,防止乱码。

本次爬虫能用到的就是这些库,后面也都加了注释,我这里主要讲存储在Excel里,也可以用数据库操作。

我们主要爬取的是
https://movie.douban.com/top250 这个网址,它跳转的是以这个网页,我们主要是要爬取左侧电影的信息。

在这里插入图片描述

爬取网页大致分三步

1.获取数据

2.解析内容

3.保存数据

在这里插入图片描述


(一)获取数据

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)

baseurl 就是我们要爬取的网页链接,下面就是调用getData(baseurl)

# 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)
        

这里为什么要调用10次?因为豆瓣电影Top250,页面包括250条电影数据,分10页,每页25条。每页URL的不同之处:最后的页面数值=(页面数-1)25,所以我们需要访问页面10次,2510=250。

然后就请求网页,Python一般用urllib2库获取页面

# 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
  • 对每一个页面,调用askURL函数获取页面内容。

  • 定义一个获取页面的函数askURL, 传入一个urI参数,表示网址,如https:/ /movie.douban.com/ top250?start=0。

  • urllib2.Request生成请求;;urllib2.urlopen发送请求获取响应; read 获取页面内容。

  • 在访问页面时经常会出现错误,为了程序正常运行,加入异常捕获try…except…语句。不然可能会出现这样的错误代码↓

418 I’m a teapotThe 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.

翻译为:HTTP 418 I‘m a teapot客户端错误响应代码表示服务器拒绝煮咖啡,因为它是一个茶壶。这个错误是对1998年愚人节玩笑的超文本咖啡壶控制协议的引用。

其实就是被网站认出来是爬虫,所以需要掩饰一下
在这里插入图片描述


(二)解析内容

接下来就是逐一解释数据

# 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

在这里插入图片描述

主要是通正则表达式查找。

正则表达式

正则表达式,通常被用来检索、替换那些符合某个模式(规则)的文本。

正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一-些特定字符及这些特定字符的组合,组成一个"规则字符串”, 这个"规则字符串”用来表达对字符串的一种过滤逻辑。Python中使用re模块操作正则表达式。

#影片详情连接的规则
findLink = re.compile(r'<a href="(.*?)">')  # 创建正则表达式对象,影片详情链接的规则

#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) #re.S 让换行符包含在字符中

#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')

#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')

#评价人数
findJudge = re.compile(r'<span>(\\d*)人评价</span>')

#一句话简介
findInq = re.compile(r'<span class="inq">(.*)</span>')

#影片相关内容
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)

然后应用规则找到我们所需要的内容

 #影片详情连接
            link = re.findall(findLink, item)[0]       # re库用来通过正则表达式查找指定的字符串
            data.append(link)                          #添加链接

            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)                        #添加图片

            titles = re.findall(findTitle, item)       #片名可能只有中文名没有外文名
            if (len(titles) == 2):
                ctitle = titles[0]                     #添加中文名
                data.append(ctitle)
                otitle = titles[1].replace("/", "")    #去掉无关字符
                data.append(otitle)                    #添加外文名
            else:
                data.append(titles[0])
                data.append(' ')                       #如果没有外文名就留空

            rating = re.findall(findRating, item)[0]
            data.append(rating)                        #添加评分

            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)                      #添加评分人数

            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")         #去掉句号
                data.append(inq)                       #添加一句话简介
            else:
                data.append(" ")

            bd = re.findall(findBd, item)[0]          #电影详细信息
            bd = re.sub('<br(\\s+)?/>(\\s+)?', "", bd)  #去掉<br/>
            # bd = re.sub('/', "", bd)
            data.append(bd.strip())                   #去掉空格

            datalist.append(data)                     #把处理好的电影信息放入datalist

    return datalist

在这里插入图片描述


(三)保存数据

最后就是将获取到的内容保存到Excel里面

# 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","海报图片链接","影片中文名","影片外文名","豆瓣评分","评价人数","一句话简介","详细信息")
    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

最后运行之后在左侧会出现一个这样的文件:

在这里插入图片描述

打开可以看到就是我们获取到的结果:

在这里插入图片描述

得到我们想要的结果后,稍微调整以下就可以交给领导了,详细又清晰。我教给老铁这种方法后(从来没有接触过代码的老铁都学会了),他都开心疯了~

在这里插入图片描述


最后附上我所有的源代码

# -*- 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  # 指定URL,获取网页数据
import xlwt  # 进行excel操作



#影片详情连接的规则
findLink = re.compile(r'<a href="(.*?)">')  # 创建正则表达式对象,影片详情链接的规则

#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) #re.S 让换行符包含在字符中

#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')

#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')

#评价人数
findJudge = re.compile(r'<span>(\\d*)人评价</span>')

#一句话简介
findInq = re.compile(r'<span class="inq">(.*)</span>')

#影片相关内容
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
  
    # 3.保存数据
    #saveData(datalist,savepath)      
   

# 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,形成列表
            data = []  # 保存一部电影所有信息
            item = str(item)
            #影片详情连接
            link = re.findall(findLink, item)[0]       # re库用来通过正则表达式查找指定的字符串
            data.append(link)                          #添加链接

            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)                        #添加图片

            titles = re.findall(findTitle, item)       #片名可能只有中文名没有外文名
            if (len(titles) == 2):
                ctitle = titles[0]                     #添加中文名
                data.append(ctitle)
                otitle = titles[1].replace("/", "")    #去掉无关字符
                data.append(otitle)                    #添加外文名
            else:
                data.append(titles[0])
                data.append(' ')                       #如果没有外文名就留空

            rating = re.findall(findRating, item)[0]
            data.append(rating)                        #添加评分

            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)                      #添加评分人数

            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")         #去掉句号
                data.append(inq)                       #添加一句话简介
            else:
                data.append(" ")

            bd = re.findall(findBd, item)[0]          #电影详细信息
            bd = re.sub('<br(\\s+)?/>(\\s+)?', "", bd)  #去掉<br/>
            # bd = re.sub('/', "", bd)
            data.append(bd.strip())                   #去掉空格

            datalist.append(data)                     #把处理好的电影信息放入datalist

    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

if __name__ == "__main__":  # 当程序执行时
    # 调用函数
     main()
     print("爬取完毕!")

这样我们的爬虫就爬取完毕了,我这里只是以豆瓣榜单为例,这个方法对于爬取其他网页也同样适用。这样做信息收集是特别方便,会大大提高工作效率。

有问题的,不懂的可以在评论区提出,或者私信我,看到就会回复。

最后关于两种存储方式:存储到Excel和存储到sqlite数据库,两种存储方式可以选择一种。我这里写的是存储数据到Excel的,如果需要存储数据库源代码的可以私信我!

在这里插入图片描述
感谢每一位愿意读完我文章的人,对于新媒体创作我也是一个刚入门的,也在不断学习中。
创作是一件非常值得持续投入的事情,因为你们每一次的支持都是对我极大的肯定!
再次感谢大家的支持,在此我整理了一些适合大多数人学习的资料,免费给大家下载领取!
看!干货在这里↓ ↓ ↓

  • 2000多本Python电子书。(主流的经典的都包含在内)
  • Python基础入门、爬虫、web开发、大数据分析方面的视频。
  • 多个项目及源码。(四五十个有趣且经典的练手项目及源码)
  • 经典Python面试题。(面试大厂稳了)

有需要的读者可以直接拿走,在我的QQ学习交流群(想要找到志同道合的伙伴也可以进群,记住哦仅限学习交流!!!),裙号是:298154825。

在这里插入图片描述

以上是关于快速收集信息,Python爬虫教你一招爬取豆瓣Top250信息!的主要内容,如果未能解决你的问题,请参考以下文章

Python如何爬取淘宝MM呢?教你一招

python爬取数据被限制?一招教你伪造反爬技术!

Python爬虫入门 | 爬取豆瓣电影信息

Python爬虫入门 | 4 爬取豆瓣TOP250图书信息

32个Python爬虫项目让你一次吃到撑

Excel快速打印底端标题,教你一招,肯定行!