轻松掌握Python爬虫,从入门到精通
作者:COMEGy
一、什么是爬虫
网络爬虫,是一种按照一定规则,自动抓取互联网信息的程序或者脚本。由于互联网数据的多样性和资源的有限性,根据用户需求定向抓取相关网页并分析也成为如今主流的爬取策略。
1 爬虫可以做什么
你可以爬取网络上的的图片,爬取自己想看的视频等等,只要你能通过浏览器访问的数据都可以通过爬虫获取。
2 爬虫的本质是什么
模拟浏览器打开网页,获取网页中我们想要的那部分数据
学习案例:爬取豆瓣电影 Top 250的基本信息
引入第三方模块
# 引入第三方模块
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 #进行数据库操作
正则表达式——制定获取数据规则
# 影片详情链接规则
findLink=re.compile(r'<a href="(.*?)">') #创建正则表达式对象,表示规则(字符串模式)
findImg=re.compile(r'<img.*src="(.*?)?"',re.S) #影片图片
findTitle=re.compile(r'<span class="title">(.*)</span>') #影片名字
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>') #影片评分
findJudge=re.compile(r'<span>(\d*)人评价</span>') #影片评价人数
findIng=re.compile(r'<span class="ing">(.*)</span>') #找到概况
findBd=re.compile(r'<p class="">(.*?)</p>',re.S) #找到影片的相关内容
完整代码
# 引入第三方模块 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 #进行数据库操作 def main(): baseurl="https://movie.douban.com/top250?start=" dataList=getData(baseurl) savepath=".\\豆瓣电影Top250.xls" # 影片详情链接规则 findLink=re.compile(r'<a href="(.*?)">') #创建正则表达式对象,表示规则(字符串模式) findImg=re.compile(r'<img.*src="(.*?)?"',re.S) #影片图片 findTitle=re.compile(r'<span class="title">(.*)</span>') #影片名字 findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>') #影片评分 findJudge=re.compile(r'<span>(\d*)人评价</span>') #影片评价人数 findIng=re.compile(r'<span class="ing">(.*)</span>') #找到概况 findBd=re.compile(r'<p class="">(.*?)</p>',re.S) #找到影片的相关内容 def getData(baseurl): dataList=[] 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) # 保存获取到的源码 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=[] #保存电影信息 item =str(item) #获取影片详情链接 link=re.findall(findLink,item)[0] #re库用来通过正则表达式查找指定的字符串 data.append(link) #添加链接 imgSrc=re.findall(findImg,item)[0] data.append(imgSrc) #添加图片 titles=re.findall(findTitle, item)[0] if(len(titles)==2): #片名可能有两个名字,一个中文,一个外文 ctitle=titles[0] data.append(ctitle) #添加中文名 otitle=titles[1].replace("/","") data.append(otitle) #添加外文名 else: data.append(titles[0]) # 添加图片 data.append(' ') #留空,保持Excel数据一致性 rating=re.findall(findRating, item)[0] data.append(rating) # 添加评分 judgeNum = re.findall(findJudge, item)[0] data.append(judgeNum) # 添加评分人数 ing = re.findall(findIng, item) if len(ing)!=0: ing=ing[0].replace("。","") data.append(ing) # 添加概述 else: data.append(" ") bd = re.findall(findBd, item)[0] bd=re.sub('<br(\s+)?/>(\s+)?'," ",bd) bd=re.sub('/'," ",bd) data.append(bd.strip()) # 添加影片的相关内容 dataList.append(data) #把处理好的电影信息放入dataList print(dataList) return dataList # 得到指定一个URL的网页内容 def askURL(url): # head用户代理,本质上告诉浏览器我们接收什么水平的数据 head={ "User-Agent": "Mozilla / 5.0(Linux;Android6.0;Nexus5 Build / MRA58N) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.87 Mobile Safari / 537.36" } request=urllib.request.Request(url,headers=head) html="" try: response=urllib.request.urlopen(request) html=response.read().decode("utf-8") # print(html) except urllib.error.URLError as e: if hasattr(e,"code"): print(e.code) if hasattr(e,"reason"): print(e.reason) return html def saveData(savepath): print("save.....") if __name__ =="__main__": # 调用函数 main()
到此这篇关于轻松掌握Python爬虫,从入门到精通的文章就介绍到这了,更多相关Python爬虫学习内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!