前言
本文目的：根據(jù)本人的習(xí)慣與理解，用最簡(jiǎn)潔的表述，介紹爬蟲的定義、組成部分、爬取流程，并講解示例代碼。
基礎(chǔ)
爬蟲的定義：定向抓取互聯(lián)網(wǎng)內(nèi)容（大部分為網(wǎng)頁）、并進(jìn)行自動(dòng)化數(shù)據(jù)處理的程序。主要用于對(duì)松散的海量信息進(jìn)行收集和結(jié)構(gòu)化處理，為數(shù)據(jù)分析和挖掘提供原材料。
今日t條就是一只巨大的“爬蟲”。
爬蟲由URL庫、采集器、解析器組成。
流程
如果待爬取的url庫不為空，采集器會(huì)自動(dòng)爬取相關(guān)內(nèi)容，并將結(jié)果給到解析器，解析器提取目標(biāo)內(nèi)容后進(jìn)行寫入文件或入庫等操作。
代碼
第一步：寫一個(gè)采集器
如下是一個(gè)比較簡(jiǎn)單的采集器函數(shù)。需要用到requests庫。
首先，構(gòu)造一個(gè)http的header，里面有瀏覽器和操作系統(tǒng)等信息。如果沒有這個(gè)偽造的header，可能會(huì)被目標(biāo)網(wǎng)站的WAF等防護(hù)設(shè)備識(shí)別為機(jī)器代碼并干掉。
然后，用requests庫的get方法獲取url內(nèi)容。如果http響應(yīng)代碼是200 ok，說明頁面訪問正常，將該函數(shù)返回值設(shè)置為文本形式的html代碼內(nèi)容。
如果響應(yīng)代碼不是200 ok，說明頁面不能正常訪問，將函數(shù)返回值設(shè)置為特殊字符串或代碼。
import requests
def get_page(url):
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'}
response = requests.get(url, headers= headers)
if response.status_code == 200:
return response.text
else:
return 'GET HTML ERROR !'
第二步：解析器
解析器的作用是對(duì)采集器返回的html代碼進(jìn)行過濾篩選，提取需要的內(nèi)容。
作為一個(gè)14年忠實(shí)用戶，當(dāng)然要用豆瓣舉個(gè)栗子 _
我們計(jì)劃爬取豆瓣排名TOP250電影的8個(gè)參數(shù)：排名、電影url鏈接、電影名稱、導(dǎo)演、上映年份、國家、影片類型、評(píng)分。整理成字典并寫入文本文件。
待爬取的頁面如下，每個(gè)頁面包括25部電影，共計(jì)10個(gè)頁面。
在這里，必須要表揚(yáng)豆瓣的前端工程師們，html標(biāo)簽排版非常工整具有層次，非常便于信息提取。
下面是“肖申克的救贖”所對(duì)應(yīng)的html代碼：（需要提取的8個(gè)參數(shù)用紅線標(biāo)注）
根據(jù)上面的html編寫解析器函數(shù)，提取8個(gè)字段。該函數(shù)返回值是一個(gè)可迭代的序列。
我個(gè)人喜歡用re（正則表達(dá)式）提取內(nèi)容。8個(gè)（.*?）分別對(duì)應(yīng)需要提取的字段。
import re
def parse_page(html):
pattern = re.compile('em class="">(.*?)/em>.*?a href="(.*?)" rel="external nofollow" rel="external nofollow" >.*?span class="title">(.*?)/span>.*?div class="bd">.*?p class="">(.*?)nbsp.*?br>(.*?)nbsp;/nbsp;(.*?)nbsp;/nbsp;(.*?)/p>.*?span class="rating_num".*?"v:average">(.*?)/span>' , re.S)
items = re.findall(pattern , html)
for item in items:
yield {
'rank': item[0],
'href': item[1],
'name': item[2],
'director': item[3].strip()[4:],
'year': item[4].strip(),
'country': item[5].strip(),
'style': item[6].strip(),
'score': item[7].strip()
}
提取后的內(nèi)容如下：
整理成完整的代碼：（暫不考慮容錯(cuò)）
import requests
import re
import json
def get_page(url):
#采集器函數(shù)
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'}
response = requests.get(url, headers= headers)
if response.status_code == 200:
return response.text
else:
return 'GET HTML ERROR ! '
def parse_page(html):
#解析器函數(shù)
pattern = re.compile('em class="">(.*?)/em>.*?a href="(.*?)" rel="external nofollow" rel="external nofollow" >.*?span class="title">(.*?)/span>.*?div class="bd">.*?p class="">(.*?)nbsp.*?br>(.*?)nbsp;/nbsp;(.*?)nbsp;/nbsp;(.*?)/p>.*?span class="rating_num".*?"v:average">(.*?)/span>' , re.S)
items = re.findall(pattern , html)
for item in items:
yield {
'rank': item[0],
'href': item[1],
'name': item[2],
'director': item[3].strip()[4:],
'year': item[4].strip(),
'country': item[5].strip(),
'style': item[6].strip(),
'score': item[7].strip()
}
def write_to_file(content):
#寫入文件函數(shù)
with open('result.txt' , 'a' , encoding = 'utf-8') as file:
file.write(json.dumps(content , ensure_ascii = False) + '\n')
if __name__== "__main__":
# 主程序
for i in range(10):
url= 'https://movie.douban.com/top250?start='+ str(i*25)+ 'filter'
for res in parse_page(get_page(url)):
write_to_file(res)
非常簡(jiǎn)潔，非常符合python簡(jiǎn)單、高效的特點(diǎn)。
說明：
需要掌握待爬取url的規(guī)律，才能利用for循環(huán)等操作自動(dòng)化處理。
前25部影片的url是https://movie.douban.com/top250?start=0filter，第26-50部影片url是https://movie.douban.com/top250?start=25filter。規(guī)律就在start參數(shù)，將start依次設(shè)置為0、25、50、75。。。225，就能獲取所有頁面的鏈接。parse_page函數(shù)的返回值是一個(gè)可迭代序列，可以理解為字典的集合。運(yùn)行完成后，會(huì)在程序同目錄生成result.txt文件。內(nèi)容如下：
到此這篇關(guān)于一個(gè)入門級(jí)python爬蟲教程詳解的文章就介紹到這了,更多相關(guān)python爬蟲入門教程內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- python從入門到精通 windows安裝python圖文教程
- Python面向?qū)ο笏枷肱c應(yīng)用入門教程【類與對(duì)象】
- 一小時(shí)快速入門Python教程
