Python爬虫超详细讲解（零基础入门，老年人都看得懂）

最新推荐文章于 2025-12-20 09:26:15 发布

原创最新推荐文章于 2025-12-20 09:26:15 发布 · 104 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #爬虫 #开发语言 #数据分析 #金融 #学习

本文介绍了爬虫的基本概念，为何在大数据时代使用爬虫，以及如何使用Python进行爬虫的准备工作，以豆瓣电影Top250为例，展示了爬虫的代码实现和数据处理过程。

先看后赞，养成习惯。点赞收藏，人生辉煌。

讲解我们的爬虫之前，先概述关于爬虫的简单概念（毕竟是零基础教程）

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’‘) # 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’(.)‘)findRating = re.compile(r’(.)‘)findJudge = re.compile(r’(\d*)人评价‘)findInq = re.compile(r’(.)‘)findBd = re.compile(r’

(.?)
', 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)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# cursor = conn.cursor()# cursor.execute(sql)# conn.commit()# 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

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 teapotThe HTTP 418 I’m a teapot client error response code indicates thatthe server refuses to brew coffee because it is a teapot. This erroris a reference to Hyper Text Coffee Pot Control Protocol which was anApril Fools’ joke in 1998.

我是一个茶壶