關于python爬取網頁

之前在網上也寫了不少關于爬蟲爬取網頁的代碼，最近還是想把寫的爬蟲記錄一下，方便大家使用吧！

代碼一共分為4部分：

第一部分：找一個網站，

我這里還是找了一個比較簡單的網站，就是大家都知道的https://movie.douban.com/top250?start=
大家可以登錄里面看一下，

這里大家可能會有一些庫沒有進行安裝，先上圖讓大家安裝完爬取網頁所需要的庫，其中我本次用到的庫有：bs4，urllib，xlwt, re，

如圖

這里選擇file-setting-Project-然后選擇左下角的加號，自行去安裝自己所需要的檔案就可以了，

下面的代碼是爬取網頁的源代碼：

import urllib.request
from bs4 import BeautifulSoup
import xlwt
import re
def main():
    #   爬取網頁
    baseurl = 'https://movie.douban.com/top250?start='
    datalist = getData(baseurl)
    savepath = '豆瓣電影Top250.xls'
    #   保存資料
    saveData(datalist,savepath)
    # askURL("https://movie.douban.com/top250?start=1")
#影片詳情的規則
findLink = re.compile(r'<a class="" href="(.*?)">')  #創建從正則運算式，表示規則
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) #讓換行符匹配到字符中
#影片的片名
finTitle = re.compile(r'<span class="title">(.*)</span>')
#影片的評分
findReating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#找到評價人數
findJudge = re.compile(r'<span>(\d*)人評價</span>')
#找到概況
findInq = re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相關內容
findBb = re.compile(r'<p class="">(.*?)</p>', re.S)#re.S忽視換行符

第二部分：爬取網頁，

def getData(baseurl):
    datalist = []
    for i in range(0, 10):
        url = baseurl + str(i*25)
        html = askURL(url)    #保存獲取到的網頁原始碼

        #對網頁進行決議
        soup = BeautifulSoup(html, 'html.parser')
        for item in soup.find_all('div', class_="item"):  #查找符合要求的字串 形成串列
            #print(item)  #測驗查看電影資訊
            data = []
            item = str(item)
            link = re.findall(findLink, item)[0]  #re庫用來查找指定的字串
            data.append(link)
            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc) #添加圖片
            titles = re.findall(finTitle, item)         #
            if (len(titles) == 2):
                ctitle = titles[0]      #添加中文名
                data.append(ctitle)
                otitle = titles[1].replace("/", "")   #replace("/", "")去掉無關的符號
                data.append(otitle)     #添加英文名
            else:
                data.append(titles[0])
                data.append(' ')#外國名字留空
            rating = re.findall(findReating, item)[0] #添加評分
            data.append(rating)

            judgeNum = re.findall(findJudge,item) #評價人數
            data.append(judgeNum)
            inq = re.findall(findInq, item)  #添加概述
            if len(inq) != 0:
                inq = inq[0].replace(".", "")  #去掉句號
                data.append(inq)
            else:
                data.append(" ")    #留空
            bd = re.findall(findBb,item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?',' ', bd)  #去掉br  后面這個bd表示對bd進行操作
            bd = re.sub('/', ' ', bd)   #替換/
            data.append(bd.strip())  #去掉前后的空格strip()
            datalist.append(data)   #把處理好的一部電影放入datalist當中

    return datalist

第三部分：得到一個指定的url資訊，

#得到指定的一個url網頁資訊

def askURL(url):
    head = {
        "User-Agent": "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Mobile Safari/537.36"
}
    request = urllib.request.Request(url,headers=head)    #  get請求不需要其他的的，而post請求需要 一個method方法
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode('utf-8')
        # print(html)
    except Exception as e:
        if hasattr(e,'code'):
            print(e.code)
        if hasattr(e,'reason'):
            print(e.reason)
    return  html

第四部分：保存資料

#    3:保存資料
def saveData(datalist,savepath):

    book = xlwt.Workbook(encoding="utf-8", style_compression=0)
    sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True)
    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', '概況', '相關資訊')
    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)
        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])
    book.save(savepath) #保存

這里大家看一下代碼，關于代碼的標注我寫的還是挺清楚的，

其中關于學習這個爬蟲，還需要學習一些基本的正則運算式，當然python基本的語法是不可少的希望對大家有幫助吧，