写点什么

Python 爬虫超详细讲解(零基础入门,老年人都看的懂)

作者:码农BookSea
  • 2023-07-21
    浙江
  • 本文字数:6241 字

    阅读完需:约 20 分钟

Python爬虫超详细讲解(零基础入门,老年人都看的懂)

本文已收录至 Github,推荐阅读 👉 Java随想录

微信公众号:Java随想录


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。


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,再分析筛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,本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 Python 的代码编辑器,我用的是 Pychram。


下载链接:https://www.jetbrains.com/pycharm/download/#section=windows



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)


# -*- 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
复制代码


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

我们要爬取的就是这个网站:https://movie.douban.com/top250


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


这边我已经爬取好了,将爬取内容存入 xls 表中,看一下效果图:


代码分析

先把代码放上来,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="(.*?)">') # 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!")
复制代码


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


1.爬取网页


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)
复制代码


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="
复制代码


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
复制代码


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 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



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")
复制代码


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="(.*?)">')  # 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)
复制代码


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)
复制代码


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
复制代码


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")
复制代码


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


我也在不断的学习中,学到新东西第一时间会跟大家分享,大家可以动动小手,点波关注不迷路。




本篇文章就到这里,感谢阅读,如果本篇博客有任何错误和建议,欢迎给我留言指正。文章持续更新,可以关注公众号第一时间阅读。


发布于: 刚刚阅读数: 4
用户头像

码农BookSea

关注

Java开发工程师 2021-12-26 加入

Java开发菜鸟工程师,写博客的初衷是为了沉淀我所学习,累积我所见闻,分享我所体验。希望和更多的人交流学习。

评论

发布
暂无评论
Python爬虫超详细讲解(零基础入门,老年人都看的懂)_Java_码农BookSea_InfoQ写作社区