通过模仿学会Python爬虫:零基础上手

Posted 2023-06-18 养肥胖虎

好家伙，爬虫来了

 

爬虫，这玩意，不会怎么办，

诶，先抄一份作业回来

1.别人的爬虫

 Python爬虫史上超详细讲解（零基础入门，老年人都看的懂）_ChenBinBini的博客-CSDN博客

# -*- 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

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

 

 卧槽，有点东西

这东西看上去挺nb啊，

也很方便，把我想要的一些数据直接总结到一个excel表格中了 

 

 我们来看看这些字段是如何匹配的

.xls

代码：

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)

<img>?<span>? 这不就专业对口了吗

网站的html:

 将三个"表"都打开,再来看看对比

 

 (诶都对上了)

此处,使用正则表达式去匹配对应标签

正则表达式 – 简介 | 菜鸟教程 (runoob.com)

 

 

于是看了这个案例之后，我们就可以大概去分析以下爬虫到底干了什么:

1.发请求，随后拿到服务器发过来的.html文件

2.用正则表达式去套对应的，我们需要的数据

3.处理数据，最后把他们以某种方式呈现

 

具体来说，爬虫通常会执行以下步骤：

1. 发送HTTP请求：爬虫通过发送HTTP请求来获取目标网页的内容。

2. 解析HTML页面：网页内容一般是HTML格式的，爬虫需要使用HTML解析器来将页面内容解析成Python对象。

3. 提取数据：通过Python编程语言对解析出来的对象进行遍历和操作，找到需要的数据并保存下来。

4. 存储数据：将提取的数据保存到文件中、数据库中或者内存中，以备后续的处理和分析。

5. 处理异常：爬虫需要处理异常，例如：请求超时、解析错误等，以确保爬虫的稳定性和可靠性。

开干

 

2.我的爬虫

好了，我们自己写一个爬虫试试

import requests
from bs4 import BeautifulSoup
import xlwt
import re

# 创建Excel文件
workbook = xlwt.Workbook(encoding=\'utf-8\')
worksheet = workbook.add_sheet(\'kugou_rank\')
# pattern = re.compile(r\'(?<=- ).*\')

# 构造请求头
headers = 
    \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36\'


# 定义排行榜页面的URL
url = \'https://www.kugou.com/yy/rank/home/1-6666.html?from=rank\'

# 发送请求并获取响应
r = requests.get(url, headers=headers)

# 解析HTML
soup = BeautifulSoup(r.text, \'html.parser\')

# 定位歌曲排行榜列表
song_list = soup.find(\'div\', \'class\': \'pc_temp_songlist\').find_all(\'li\')

# 将数据写入Excel文件
worksheet.write(0, 0, \'排名\') #写入对应的字段
worksheet.write(0, 1, \'歌名\')
worksheet.write(0, 2, \'歌手\')
worksheet.write(0, 3, \'专辑\')
worksheet.write(0, 4, \'播放时长\')
worksheet.write(0, 5, \'链接地址\')

row = 1
for song in song_list:
    song_name = song.find(\'a\', \'class\': \'pc_temp_songname\').text.strip()     #筛选出歌名 
    song_title = song.get(\'title\')
    singer_pattern = re.compile(r\'.*(?= - )\')
    song_singer = singer_pattern.findall(song_title)

    song_title = song.get(\'title\')
    print(song_title)
    album_pattern = re.compile(r\'(?<=- ).*\')
    song_album = album_pattern.findall(song_title)
    # song_album = pattern.findall(song)
    song_time = song.find(\'span\', \'class\': \'pc_temp_time\').text.strip()

    link_pattern = re.compile(r\'href="(.*?)"\')

    worksheet.write(row, 0, song[\'data-index\']) #将排行写入excel表格
    worksheet.write(row, 1, song_name)          #将歌名写入excel表格
    worksheet.write(row, 2, song_singer)        #将歌手写入excel表格
    worksheet.write(row, 3, song_album)         #将歌曲专辑写入excel表格
    worksheet.write(row, 4, song_time)          #将歌曲时长写入excel表格
    song =str(song)
    song = song.split("javascript:")[0]
    song_link = link_pattern.findall(song)
    worksheet.write(row, 5, song_link)          #将歌曲时长写入excel表格
    row += 1

# 保存Excel文件

workbook.save(\'C:/Users/10722/Desktop/python答辩/kugou_rank.xls\')

说明:

 

# 构造请求头
headers = 
    \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36\'

 

带着请求头去请求,一个简单的"反爬"机制,模仿浏览器去发请求,非常实用

(其实没什么乱用,你能想到的,网站的开发者大概也能想到,所以你要是乱来还是会封你IP的)

没什么难度

这爬了酷狗的一个音乐榜单

然后记录了一些音乐数据，还有歌曲的地址。

 

还行,