一个简单python爬虫的实现——爬取电影信息

最新推荐文章于 2024-11-21 10:51:41 发布

原创

最新推荐文章于 2024-11-21 10:51:41 发布 · 4k 阅读

6 ·

CC 4.0 BY-SA版权

本文介绍了如何使用Python的urllib和BeautifulSoup4库实现一个简单的网络爬虫，从电影天堂网站抓取电影名称和发布日期。通过设置headers模拟浏览器请求，解析GB2312编码的HTML，利用CSS选择器提取所需信息，揭示了爬虫工作的基本流程，同时指出爬虫技术需要结合前端知识，并面临反爬虫挑战。

最近在学习网络爬虫，完成了一个比较简单的python网络爬虫。首先为什么要用爬虫爬取信息呢，当然是因为要比人去收集更高效。

网络爬虫，可以理解为自动帮你在网络上收集数据的机器人。

网络爬虫简单可以大致分三个步骤：

第一步要获取数据，

第二步对数据进行处理，

第三步要储存数据。

获取数据的时候这里我用到了python的urllib标准库，它是python中非常方便抓取网页内容的一个模块。

具体为：

这里我要爬取的是电影天堂一个电影页面的电影名称，日期等数据。

from urllib import request
def get_data ( ):
    url='http://www.dytt8.net/html/gndy/dyzz/list_23_1.html'
    headers={
   
   'User-Agent': ' Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36' }
    req=request.Request(url, headers=headers)
    response=request.urlopen(req)
    # print (type(response)) #响应对象的类型
    # print(response.getcode()) #响应状态码
    # print(response.info())
    if response.getcode() == 200:
        data=response.read