文章目录
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，给予我们的是生活的便利以及海量数据爆炸式的出现在网络中。
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
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
（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，然后我根据代码逐步解析
\# -\*- 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="(.\*?)" rel="external nofollow" rel="external nofollow" >') # 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
# def saveData2DB(datalist,dbpath):
# init\_db(dbpath)
# conn = sqlite3.connect(dbpath)
# cur = conn.cursor()
# for data in datalist:
# for index in range(len(data)):
# if index == 4 or index == 5:
# continue
# data\[index\] = '"'+data\[index\]+'"'
# sql = '''
# insert into movie250(
# info\_link,pic\_link,cname,ename,score,rated,instroduction,info)
# values (%s)'''%",".join(data)
# # print(sql) #输出查询语句，用来测试
# cur.execute(sql)
# conn.commit()
# cur.close
# conn.close()
# def init\_db(dbpath):
# sql = '''
# create table movie250(
# id integer primary key autoincrement,
# info\_link text,
# pic\_link text,
# cname varchar,
# ename varchar ,
# score numeric,
# rated numeric,
# instroduction text,
# info text
# )
#
#
# ''' #创建数据表
# conn = sqlite3.connect(dbpath)
# cursor = conn.cursor()
# cursor.execute(sql)
# conn.commit()
# conn.close()
# 保存数据到数据库
if \_\_name\_\_ == "\_\_main\_\_": # 当程序执行时
# 调用函数
main()
# init\_db("movietest.db")
print("爬取完毕！")
下面我根据代码，从下到下给大家讲解分析一遍
-- 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，也可以不用正则表达式，不是必须的。）
大体流程分三步走：
1. 爬取网页
2.逐一解析数据
3. 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
for i in range(0, 10): # 调用获取页面信息的函数，10次
url = baseurl + str(i \* 25)
这段大家可能看不懂，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。
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
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。
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，让大家有个直观感受
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
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？
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下，
418 I’m a teapot
The 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.
我是一个茶壶
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，
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，
findLink = re.compile(r'<a href="(.\*?)" rel="external nofollow" rel="external nofollow" >') # 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)
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
# 3.保存数据
saveData(datalist,savepath) #2种存储方式可以只选择一种
# 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）：
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
创建工作表，创列（会在当前目录下创建），
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")
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！
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
关于Python技术储备
学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后给大家分享一份全套的 Python 学习资料，希望提供给想学习 Python 的小伙伴们一点帮助！
保存图片微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
一、Python所有方向的学习路线
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
二、Python基础学习视频
② 路线对应学习视频
还有很多适合0基础入门的学习视频，有了这些视频，轻轻松松上手Python~在这里插入图片描述
③练习题
每节视频课后，都有对应的练习题哦，可以检验学习成果哈哈！
因篇幅有限，仅展示部分资料
三、精品Python学习书籍
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
四、Python工具包+项目源码合集
①Python工具包
学习Python常用的开发软件都在这里了！每个都有详细的安装教程，保证你可以安装成功哦！
②Python实战案例
光学理论是没用的，要学会跟着一起敲代码，动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。100+实战案例源码等你来拿！
③Python小游戏源码
如果觉得上面的实战案例有点枯燥，可以试试自己用Python编写小游戏，让你的学习过程中增添一点趣味！
五、面试资料
我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
六、Python兼职渠道
而且学会Python以后，还可以在各大兼职平台接单赚钱，各种兼职渠道+兼职注意事项+如何和客户沟通，我都整理成文档了。
这份完整版的Python全套学习资料已经上传优快云，朋友们如果需要可以保存图片微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
1206
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
