关于用python爬取网页的那些事

原创已于 2022-03-29 21:04:01 修改 · 1.6k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#python #爬虫

于 2022-03-28 15:49:09 首次发布

新手专栏收录该内容

5 篇文章

订阅专栏

本文介绍了一个具体的网页爬虫实现过程，包括如何构造请求头、解析HTML页面、使用正则表达式提取所需信息，并最终将数据保存到Excel文件中。

我们在获取到网页的源代码之后，就可以开始爬取工作了。

# 得到一个网页
def askURL(url):
    head = {  # 模拟头部发消息
        "user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.74 Safari/537.36 Edg/99.0.1150.46"
    }
    # 用户代理表示告诉服务器，我们是什么类型的机器

    request = urllib.request.Request(url, headers=head)
    html = ""

首先我们要得到网页，利用模拟头部发送消息，让我们可以顺利的进入网页中。

#影片详情链接的规则
findLink = re.compile(r'<a class="(.*?)">')             #创建正则表达式对象，表示规则（字符串的模式）
#影片图片链接规则
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)      #re.S 让换行符包含在字符中

其次就是要对所需要爬取信息的源代码进行分类和选取，将他们的格式输入到re.compile的函数中。（根据需求进行编写）

def getDate(baseurl):
    datelist = []
    for i in range(0,10):
        url = baseurl + str(i*25)
        html=askURL(url)

        # 逐一解析数据
        soup =BeautifulSoup(html,"html.parser")





 print(datelist)
    return datelist

定义一个函数：以下两段代码全部在上述函数的for循环中。

# 逐一解析数据
        for item in soup.find_all('div', class_="item"):    #查找符合要求的字符串
            #print(item)  #测试：查看电影item全部信息
            data =[]      #保存一部电影的所有信息
            item = str(item)

对获取的的数据进行分析，查找并且保存在data[]数组中，方便以后保存在表格和数据库在中。

 #获取详情链接
            link = re.findall(findLink,item) [0]          #re库通过正侧表达式查找指定的字符串
            data.append(link)                             #链接
            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)                           #图片
            titles = re.findall(findTitle,item)           #片名可能只有一个中文名，没有外国名
            if(len(titles)==2):
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace("&nbsp;/&nbsp;","") #去掉无关的符号
                data.append(otitle)                        #添加外国名
            else:
                data.append(titles[0])
                data.append(' ')                        #留空

利用正则表达式对我们所需要的一些信息进行查找匹配

datelist.append(data)             #将处理好的一部电影的信息放入datalist

将数据储存在data中。

def saveData(datelist,savepath):                                 # 保存数据

    book = xlwt.Workbook(encoding="utf-8",style_compression=0)   #创建wookbook
    sheet = book.add_sheet('电影top',cell_overwrite_ok=True)     #创建工作表
    col =('电影详情链接','图片链接','中文','英文','评分','评价数','概况','相关信息')
    for i in range(0,8):
        sheet.write(0,i,col[i])
    for i in range(0,250):
        print("第%d条"%(i+1))
        date = datelist[i]
        for j in range(0,8):
            sheet.write(i+1,j,date[j])

    book.save('student.xls')

将所收集的的函数放入表格中。

def main():
    baseurl = "某网站（根据个人需要）"
    datelist = getDate(baseurl)                              # 爬取网页
    savepath  = "电影Top.xls"
    saveData(datelist,savepath)                             # 保存数据


if __name__ == '__main__':
    main()
    print("爬取完毕")

最后将所有的函数整合，在定义一个新的函数，并且输出。

下面是爬取网页的代码和所得的最后数据。


from bs4 import BeautifulSoup  # 网页解析
import re  # 正则表达式，进行文字匹配
import urllib.request # 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



def main():
    baseurl = "某电影网站"
    datelist = getDate(baseurl)                              # 爬取网页
    savepath  = "电影Top.xls"
    saveData(datelist,savepath)                             # 保存数据

#影片详情链接的规则
findLink = re.compile(r'<a class="(.*?)">')             #创建正则表达式对象，表示规则（字符串的模式）
#影片图片链接规则
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>')
#概况
findDing = re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)


def getDate(baseurl):
    datelist = []
    for i in range(0,10):
        url = baseurl + str(i*25)
        html=askURL(url)

        # 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
            #print(item)  #测试：查看电影item全部信息
            data =[]      #保存一部电影的所有信息
            item = str(item)

            #获取详情链接
            link = re.findall(findLink,item) [0]          #re库通过正侧表达式查找指定的字符串
            data.append(link)                             #链接
            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)                           #图片
            titles = re.findall(findTitle,item)           #片名可能只有一个中文名，没有外国名
            if(len(titles)==2):
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace("&nbsp;/&nbsp;","") #去掉无关的符号
                data.append(otitle)                        #添加外国名
            else:
                data.append(titles[0])
                data.append(' ')                        #留空

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

            judgeNum = re.findall(findJudge,item)[0]
            data.append(judgeNum)               #评价人数

            inq = re.findall(findDing,item)
            if len(inq) !=0:
                inq =inq[0].replace("。","")    #去掉句号
                data.append(inq)
            else:
                data.append(" ")

            bd =re.findall(findBd,item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd)        #去掉br
            bd = re.sub('/'," ",bd)                       #替换
            data.append(bd.strip())                       #去掉空格
            data.append(inq)                  #概述


            datelist.append(data)             #将处理好的一部电影的信息放入datalist
    print(datelist)
    return datelist


# 得到一个网页
def askURL(url):
    head = {  # 模拟头部发消息
        "user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.74 Safari/537.36 Edg/99.0.1150.46"
    }
    # 用户代理表示告诉服务器，我们是什么类型的机器

    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


def saveData(datelist,savepath):                                 # 保存数据

    book = xlwt.Workbook(encoding="utf-8",style_compression=0)   #创建wookbook
    sheet = book.add_sheet('电影top',cell_overwrite_ok=True)     #创建工作表
    col =('电影详情链接','图片链接','中文','英文','评分','评价数','概况','相关信息')
    for i in range(0,8):
        sheet.write(0,i,col[i])
    for i in range(0,250):
        print("第%d条"%(i+1))
        date = datelist[i]
        for j in range(0,8):
            sheet.write(i+1,j,date[j])

    book.save('student.xls')

if __name__ == '__main__':
    main()
    print("爬取完毕")

注：所述可能有不恰当的地方，欢迎大佬指正。抓取其他网页的话根据自己的需要去修改网址，并且修改自己所要抓取的内容