主頁 > 知識庫 > 零基礎學習Python爬蟲

零基礎學習Python爬蟲

熱門標簽:地圖標注審核表 百度地圖標注沒有了 外呼并發(fā)線路 ai電話機器人哪里好 ai電銷機器人源碼 湛江智能外呼系統(tǒng)廠家 宿遷星美防封電銷卡 長沙高頻外呼系統(tǒng)原理是什么 西藏房產(chǎn)智能外呼系統(tǒng)要多少錢

講解我們的爬蟲之前,先概述關于爬蟲的簡單概念(畢竟是零基礎教程)

爬蟲

網(wǎng)絡爬蟲(又被稱為網(wǎng)頁蜘蛛,網(wǎng)絡機器人)就是模擬瀏覽器發(fā)送網(wǎng)絡請求,接收請求響應,一種按照一定的規(guī)則,自動地抓取互聯(lián)網(wǎng)信息的程序。
原則上,只要是瀏覽器(客戶端)能做的事情,爬蟲都能夠做。

為什么我們要使用爬蟲

互聯(lián)網(wǎng)大數(shù)據(jù)時代,給予我們的是生活的便利以及海量數(shù)據(jù)爆炸式的出現(xiàn)在網(wǎng)絡中。
過去,我們通過書籍、報紙、電視、廣播或許信息,這些信息數(shù)量有限,且是經(jīng)過一定的篩選,信息相對而言比較有效,但是缺點則是信息面太過于狹窄了。不對稱的信息傳導,以致于我們視野受限,無法了解到更多的信息和知識。
互聯(lián)網(wǎng)大數(shù)據(jù)時代,我們突然間,信息獲取自由了,我們得到了海量的信息,但是大多數(shù)都是無效的垃圾信息。
例如新浪微博,一天產(chǎn)生數(shù)億條的狀態(tài)更新,而在百度搜索引擎中,隨意搜一條——減肥100,000,000條信息。
在如此海量的信息碎片中,我們?nèi)绾潍@取對自己有用的信息呢?
答案是篩選!
通過某項技術將相關的內(nèi)容收集起來,在分析刪選才能得到我們真正需要的信息。
這個信息收集分析整合的工作,可應用的范疇非常的廣泛,無論是生活服務、出行旅行、金融投資、各類制造業(yè)的產(chǎn)品市場需求等等……都能夠借助這個技術獲取更精準有效的信息加以利用。
網(wǎng)絡爬蟲技術,雖說有個詭異的名字,讓能第一反應是那種軟軟的蠕動的生物,但它卻是一個可以在虛擬世界里,無往不前的利器。

爬蟲準備工作

我們平時都說Python爬蟲,其實這里可能有個誤解,爬蟲并不是Python獨有的,可以做爬蟲的語言有很多例如:PHP,JAVA,C#,C++,Python,選擇Python做爬蟲是因為Python相對來說比較簡單,而且功能比較齊全。
首先我們需要下載python,我下載的是官方最新的版本 3.8.3
其次我們需要一個運行Python的環(huán)境,我用的是pychram


也可以從官方下載,
我們還需要一些庫來支持爬蟲的運行(有些庫Python可能自帶了)


差不多就是這幾個庫了,良心的我已經(jīng)在后面寫好注釋了


(爬蟲運行過程中,不一定就只需要上面幾個庫,看你爬蟲的一個具體寫法了,反正需要庫的話我們可以直接在setting里面安裝)

爬蟲項目講解

我做的是爬取豆瓣評分電影Top250的爬蟲代碼
我們要爬取的就是這個網(wǎng)站:https://movie.douban.com/top250

這邊我已經(jīng)爬取完畢,給大家看下效果圖,我是將爬取到的內(nèi)容存到xls中

我們的爬取的內(nèi)容是:電影詳情鏈接,圖片鏈接,影片中文名,影片外國名,評分,評價數(shù),概況,相關信息。

代碼分析

先把代碼發(fā)放上來,然后我根據(jù)代碼逐步解析

# -*- codeing = utf-8 -*-
from bs4 import BeautifulSoup  # 網(wǎng)頁解析,獲取數(shù)據(jù)
import re  # 正則表達式,進行文字匹配`
import urllib.request, urllib.error  # 制定URL,獲取網(wǎng)頁數(shù)據(jù)
import xlwt  # 進行excel操作
#import sqlite3  # 進行SQLite數(shù)據(jù)庫操作

findLink = re.compile(r'a href="(.*?)" rel="external nofollow"  rel="external nofollow" >')  # 創(chuàng)建正則表達式對象,標售規(guī)則   影片詳情鏈接的規(guī)則
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*)人評價/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="  #要爬取的網(wǎng)頁鏈接
    # 1.爬取網(wǎng)頁
    datalist = getData(baseurl)
    savepath = "豆瓣電影Top250.xls"    #當前目錄新建XLS,存儲進去
    # dbpath = "movie.db"              #當前目錄新建數(shù)據(jù)庫,存儲進去
    # 3.保存數(shù)據(jù)
    saveData(datalist,savepath)      #2種存儲方式可以只選擇一種
    # saveData2DB(datalist,dbpath)



# 爬取網(wǎng)頁
def getData(baseurl):
    datalist = []  #用來存儲爬取的網(wǎng)頁信息
    for i in range(0, 10):  # 調(diào)用獲取頁面信息的函數(shù),10次
        url = baseurl + str(i * 25)
        html = askURL(url)  # 保存獲取到的網(wǎng)頁源碼
        # 2.逐一解析數(shù)據(jù)
        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 = []  # 保存一部電影所有信息
            item = str(item)
            link = re.findall(findLink, item)[0]  # 通過正則表達式查找
            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("/", "")  #消除轉義字符
                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


# 得到指定一個URL的網(wǎng)頁內(nèi)容
def askURL(url):
    head = {  # 模擬瀏覽器頭部信息,向豆瓣服務器發(fā)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"
    }
    # 用戶代理,表示告訴豆瓣服務器,我們是什么類型的機器、瀏覽器(本質上是告訴瀏覽器,我們可以接收什么水平的文件內(nèi)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


# 保存數(shù)據(jù)到表格
def saveData(datalist,savepath):
    print("save.......")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創(chuàng)建workbook對象
    sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)建工作表
    col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國名","評分","評價數(shù)","概況","相關信息")
    for i in range(0,8):
        sheet.write(0,i,col[i])  #列名
    for i in range(0,250):
        # print("第%d條" %(i+1))       #輸出語句,用來測試
        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])  #數(shù)據(jù)
    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)     #輸出查詢語句,用來測試
#             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
#         )
#
#
#     '''  #創(chuàng)建數(shù)據(jù)表
#     conn = sqlite3.connect(dbpath)
#     cursor = conn.cursor()
#     cursor.execute(sql)
#     conn.commit()
#     conn.close()

# 保存數(shù)據(jù)到數(shù)據(jù)庫







if __name__ == "__main__":  # 當程序執(zhí)行時
    # 調(diào)用函數(shù)
     main()
    # init_db("movietest.db")
     print("爬取完畢!")

下面我根據(jù)代碼,從下到下給大家講解分析一遍

-- codeing = utf-8 --,開頭的這個是設置編碼為utf-8 ,寫在開頭,防止亂碼。
然后下面import就是導入一些庫,做做準備工作,(sqlite3這庫我并沒有用到所以我注釋起來了)。
下面一些find開頭的是正則表達式,是用來我們篩選信息的。
(正則表達式用到 re 庫,也可以不用正則表達式,不是必須的。)
大體流程分三步走:

1. 爬取網(wǎng)頁
2.逐一解析數(shù)據(jù)
3. 保存網(wǎng)頁

先分析流程

1.爬取網(wǎng)頁

baseurl 就是我們要爬蟲的網(wǎng)頁網(wǎng)址,往下走,調(diào)用了 getData(baseurl) ,
我們來看 getData方法

  for i in range(0, 10):  # 調(diào)用獲取頁面信息的函數(shù),10次
        url = baseurl + str(i * 25)

這段大家可能看不懂,其實是這樣的:
因為電影評分Top250,每個頁面只顯示25個,所以我們需要訪問頁面10次,25*10=250。

baseurl = "https://movie.douban.com/top250?start="

我們只要在baseurl后面加上數(shù)字就會跳到相應頁面,比如i=1時

https://movie.douban.com/top250?start=25

我放上超鏈接,大家可以點擊看看會跳到哪個頁面,畢竟實踐出真知。

然后又調(diào)用了askURL來請求網(wǎng)頁,這個方法是請求網(wǎng)頁的主體方法,
怕大家翻頁麻煩,我再把代碼復制一遍,讓大家有個直觀感受

def askURL(url):
    head = {  # 模擬瀏覽器頭部信息,向豆瓣服務器發(fā)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"
    }
    # 用戶代理,表示告訴豆瓣服務器,我們是什么類型的機器、瀏覽器(本質上是告訴瀏覽器,我們可以接收什么水平的文件內(nèi)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

這個askURL就是用來向網(wǎng)頁發(fā)送請求用的,那么這里就有老鐵問了,為什么這里要寫個head呢?

這是因為我們要是不寫的話,訪問某些網(wǎng)站的時候會被認出來爬蟲,顯示錯誤,錯誤代碼

418

這是一個梗大家可以百度下,

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.

我是一個茶壺

所以我們需要 “裝” ,裝成我們就是一個瀏覽器,這樣就不會被認出來,
偽裝一個身份。

來,我們繼續(xù)往下走,

  html = response.read().decode("utf-8")

這段就是我們讀取網(wǎng)頁的內(nèi)容,設置編碼為utf-8,目的就是為了防止亂碼。
訪問成功后,來到了第二個流程:

2.逐一解析數(shù)據(jù)

解析數(shù)據(jù)這里我們用到了 BeautifulSoup(靚湯) 這個庫,這個庫是幾乎是做爬蟲必備的庫,無論你是什么寫法。

下面就開始查找符合我們要求的數(shù)據(jù),用BeautifulSoup的方法以及 re 庫的
正則表達式去匹配,

findLink = re.compile(r'a href="(.*?)" rel="external nofollow"  rel="external nofollow" >')  # 創(chuàng)建正則表達式對象,標售規(guī)則   影片詳情鏈接的規(guī)則
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*)人評價/span>')
findInq = re.compile(r'span class="inq">(.*)/span>')
findBd = re.compile(r'p class="">(.*?)/p>', re.S)

匹配到符合我們要求的數(shù)據(jù),然后存進 dataList , 所以 dataList 里就存放著我們需要的數(shù)據(jù)了。

最后一個流程:

3.保存數(shù)據(jù)

    # 3.保存數(shù)據(jù)
    saveData(datalist,savepath)      #2種存儲方式可以只選擇一種
    # saveData2DB(datalist,dbpath)

保存數(shù)據(jù)可以選擇保存到 xls 表, 需要(xlwt庫支持)
也可以選擇保存數(shù)據(jù)到 sqlite數(shù)據(jù)庫, 需要(sqlite3庫支持)

這里我選擇保存到 xls 表 ,這也是為什么我注釋了一大堆代碼,注釋的部分就是保存到 sqlite 數(shù)據(jù)庫的代碼,二者選一就行

保存到 xls 的主體方法是 saveData (下面的saveData2DB方法是保存到sqlite數(shù)據(jù)庫):

def saveData(datalist,savepath):
    print("save.......")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創(chuàng)建workbook對象
    sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)建工作表
    col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國名","評分","評價數(shù)","概況","相關信息")
    for i in range(0,8):
        sheet.write(0,i,col[i])  #列名
    for i in range(0,250):
        # print("第%d條" %(i+1))       #輸出語句,用來測試
        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])  #數(shù)據(jù)
    book.save(savepath) #保存

創(chuàng)建工作表,創(chuàng)列(會在當前目錄下創(chuàng)建),

   sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)建工作表
    col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國名","評分","評價數(shù)","概況","相關信息")

然后把 dataList里的數(shù)據(jù)一條條存進去就行。

最后運作成功后,會在左側生成這么一個文件

打開之后看看是不是我們想要的結果

成了,成了!

如果我們需要以數(shù)據(jù)庫方式存儲,可以先生成 xls 文件,再把 xls 文件導入數(shù)據(jù)庫中,就可以啦

以上就是零基礎學習Python爬蟲的詳細內(nèi)容,更多關于Python爬蟲的資料請關注腳本之家其它相關文章!

您可能感興趣的文章:
  • Python爬蟲技術
  • python爬蟲設置每個代理ip的簡單方法
  • Python爬蟲爬取商品失敗處理方法
  • Python獲取江蘇疫情實時數(shù)據(jù)及爬蟲分析
  • Python爬蟲之Scrapy環(huán)境搭建案例教程
  • Python爬蟲中urllib3與urllib的區(qū)別是什么
  • 教你如何利用python3爬蟲爬取漫畫島-非人哉漫畫
  • Python趣味爬蟲之爬取愛奇藝熱門電影
  • python 簡單的股票基金爬蟲

標簽:漯河 海南 南平 大同 林芝 盤錦 普洱 寧夏

巨人網(wǎng)絡通訊聲明:本文標題《零基礎學習Python爬蟲》,本文關鍵詞  零,基礎,學習,Python,爬蟲,;如發(fā)現(xiàn)本文內(nèi)容存在版權問題,煩請?zhí)峁┫嚓P信息告之我們,我們將及時溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡,涉及言論、版權與本站無關。
  • 相關文章
  • 下面列出與本文章《零基礎學習Python爬蟲》相關的同類信息!
  • 本頁收集關于零基礎學習Python爬蟲的相關信息資訊供網(wǎng)民參考!
  • 推薦文章