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
網路爬蟲（又被稱為網頁蜘蛛，網路機器人）就是模擬瀏覽器發送網路請求，接收請求回應，一種按照一定的規則，自動地抓取互聯網資訊的程式，
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
很多人學習python，不知道從何學起， 很多人學習python，掌握了基本語法過后，不知道在哪里尋找案例上手， 很多已經做案例的人，卻不知道如何去學習更加高深的知識， 那么針對這三類人，我給大家提供一個好的學習平臺，免費領取視頻教程，電子書籍，以及課程的源代碼！ QQ群：861355058 歡迎加入，一起討論 一起學習！
互聯網大資料時代，給予我們生活的便利以及海量資料爆炸式地出現在網路中，
過去，我們通過書籍、報紙、電視、廣播或許資訊，這些資訊數量有限，且是經過一定的篩選，資訊相對而言比較有效，但是缺點則是資訊面太過于狹窄了，不對稱的資訊傳導，以致于我們視野受限，無法了解到更多的資訊和知識，
互聯網大資料時代，我們突然間，資訊獲取自由了，我們得到了海量的資訊，但是大多數都是無效的垃圾資訊，
例如新浪微博，一天產生數億條的狀態更新，而在百度搜索引擎中，隨意搜一條——減肥100,000,000條資訊，
在如此海量的資訊碎片中，我們如何獲取對自己有用的資訊呢？
答案是篩選！
通過某項技術將相關的內容收集起來，在分析刪選才能得到我們真正需要的資訊，
這個資訊收集分析整合的作業，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、各類制造業的產品市場需求等等……都能夠借助這個技識訓取更精準有效的資訊加以利用，
網路爬蟲技術，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，
爬蟲準備作業
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，良心的我已經在后面寫好注釋了
（爬蟲運行程序中，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）
爬蟲專案講解
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站：
https://movie.douban.com/top250
這邊我已經爬取完畢，給大家看下效果圖，我是將爬取到的內容存到xls中
我們的爬取的內容是：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，概況，相關資訊，
代碼分析
先把代碼發放上來，然后我再根據代碼逐步決議
# -*- codeing = utf-8 -*- from bs4 import BeautifulSoup # 網頁決議，獲取資料 import re # 正則運算式，進行文字匹配` import urllib.request, urllib.error # 制定URL，獲取網頁資料 import xlwt # 進行excel操作 #import sqlite3 # 進行SQLite資料庫操作 findLink = re.compile(r'<a href="https://www.cnblogs.com/pythonQqun200160592/archive/2021/11/09/(.*?)">') # 創建正則運算式物件，標售規則 影片詳情鏈接的規則 findImgSrc = https://www.cnblogs.com/pythonQqun200160592/archive/2021/11/09/re.compile(r'<img.*src="https://www.cnblogs.com/pythonQqun200160592/archive/2021/11/09/(.*?)"', re.S) findTitle = re.compile(r'<span >(.*)</span>') findRating = re.compile(r'<span property="v:average">(.*)</span>') findJudge = re.compile(r'<span>(\d*)人評價</span>') findInq = re.compile(r'<span >(.*)</span>') findBd = re.compile(r'<p >(.*?)</p>', re.S) def main(): baseurl = "https://movie.douban.com/top250?start=" #要爬取的網頁鏈接 # 1.爬取網頁 datalist = getData(baseurl) savepath = "豆瓣電影Top250.xls" #當前目錄新建XLS，存盤進去 # dbpath = "movie.db" #當前目錄新建資料庫，存盤進去 # 3.保存資料 saveData(datalist,savepath) #2種存盤方式可以只選擇一種 # saveData2DB(datalist,dbpath) # 爬取網頁 def getData(baseurl): datalist = [] #用來存盤爬取的網頁資訊 for i in range(0, 10): # 呼叫獲取頁面資訊的函式，10次 url = baseurl + str(i * 25) html = askURL(url) # 保存獲取到的網頁原始碼 # 2.逐一決議資料 soup = BeautifulSoup(html, "html.parser") for item in soup.find_all('div', class_="item"): # 查找符合要求的字串 data = https://www.cnblogs.com/pythonQqun200160592/archive/2021/11/09/[] # 保存一部電影所有資訊 item = str(item) link = re.findall(findLink, item)[0] # 通過正則運算式查找 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的網頁內容 def askURL(url): head = { # 模擬瀏覽器頭部資訊，向豆瓣服務器發送訊息 "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，我們是什么型別的機器、瀏覽器（本質上是告訴瀏覽器，我們可以接收什么水平的檔案內容） 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 # 保存資料到表格 def saveData(datalist,savepath): print("save.......") book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創建workbook物件 sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創建作業表 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","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+1)) #輸出陳述句，用來測驗 data =https://www.cnblogs.com/pythonQqun200160592/archive/2021/11/09/ datalist[i] for j in range(0,8): sheet.write(i+1,j,data[j]) #資料 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) #輸出查詢陳述句，用來測驗 # 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 # ) # # # ''' #創建資料表 # conn = sqlite3.connect(dbpath) # cursor = conn.cursor() # cursor.execute(sql) # conn.commit() # conn.close() # 保存資料到資料庫 if __name__ == "__main__": # 當程式執行時 # 呼叫函式 main() # init_db("movietest.db") print("爬取完畢！")
下面我根據代碼，從上到下給大家講解分析一遍
-- codeing = utf-8 --，開頭的這個是設定編碼為utf-8 ，寫在開頭，防止亂碼，
然后下面 import就是匯入一些庫，做做準備作業，（sqlite3這庫我并沒有用到所以我注釋起來了），
下面一些find開頭的是正則運算式，是用來我們篩選資訊的，
（正則運算式用到 re 庫克，也可以不用正則運算式，不是必須的，）
大體流程分三步走：
1. 爬取網頁
2.逐一決議資料
3. 保存網頁
先分析流程1，爬取網頁，baseurl 就是我們要爬蟲的網頁網址，往下走，呼叫了 getData（baseurl) ,
我們來看 getData方法
for i in range(0, 10): # 呼叫獲取頁面資訊的函式，10次 url = baseurl + str(i * 25)
這段時間大家可能看不懂，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，
然后又呼叫了askURL來請求網頁，這個方法是請求網頁的主體方法，
怕大家翻頁麻煩，我再把代碼復制一遍，讓大家有個直觀的感受
def askURL(url): head = { # 模擬瀏覽器頭部資訊，向豆瓣服務器發送訊息 "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，我們是什么型別的機器、瀏覽器（本質上是告訴瀏覽器，我們可以接收什么水平的檔案內容） 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就是用來向網頁發送請求用的，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一下，
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，我們繼續往下走，
html = response.read().decode("utf-8")
這段就是我們讀取網頁的內容，設定編碼為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.逐一決議資料
決議資料這里我們用到了 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資料，用BeautifulSoup的方法以及 re 庫的
正則運算式去匹配，
findLink = re.compile(r'<a href="https://www.cnblogs.com/pythonQqun200160592/archive/2021/11/09/(.*?)">') # 創建正則運算式物件，標售規則 影片詳情鏈接的規則 findImgSrc = https://www.cnblogs.com/pythonQqun200160592/archive/2021/11/09/re.compile(r'<img.*src="https://www.cnblogs.com/pythonQqun200160592/archive/2021/11/09/(.*?)"', re.S) findTitle = re.compile(r'<span >(.*)</span>') findRating = re.compile(r'<span property="v:average">(.*)</span>') findJudge = re.compile(r'<span>(\d*)人評價</span>') findInq = re.compile(r'<span >(.*)</span>') findBd = re.compile(r'<p >(.*?)</p>', re.S)
匹配到符合我們要求的資料，然后存進 dataList ， 所以 dataList 里就存放著我們需要的資料了，
最后一個流程：
3.保存資料
# 3.保存資料 saveData(datalist,savepath) #2種存盤方式可以只選擇一種 # saveData2DB(datalist,dbpath)
保存資料可以選擇保存到 xls 表， 需要（xlwt庫支持）
也可以選擇保存資料到 sqlite資料庫， 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 資料庫的代碼，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資料庫）：
def saveData(datalist,savepath): print("save.......") book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創建workbook物件 sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創建作業表 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","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+1)) #輸出陳述句，用來測驗 data =https://www.cnblogs.com/pythonQqun200160592/archive/2021/11/09/ datalist[i] for j in range(0,8): sheet.write(i+1,j,data[j]) #資料 book.save(savepath) #保存
創建作業表，創列（會在當前目錄下創建），
sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創建作業表 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","概況","相關資訊")
然后把 dataList里的資料一條條存進去就行，
最后運作成功后，會在左側生成這么一個檔案
打開之后看看是不是我們想要的結果
成了，成了！
如果我們需要以資料庫方式存盤，可以先生成 xls 檔案，再把 xls 檔案匯入資料庫中，就可以啦
本篇文章講解到這里啦，我感覺我講的還算細致吧，爬蟲我也是最近才可以學，對這個比較有興趣，我肯定有講的不好的地方，歡迎各位大佬來指正我 ，
我也在不斷的學習中，學到新東西第一時間會跟大家分享
大家可以動動小手，點波關注不迷路，
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/354450.html
標籤：其他
上一篇：Spring Cloud Alibaba 使用Seata解決分布式事務
下一篇：SpringBoot 中發布ApplicationEventPublisher，監聽ApplicationEvent 異步操作