Python爬虫零基础（以爬豆瓣电影top250为例，尝试自己写爬豆瓣读书top250的代码）

安装编译器
先要准备好一个Python的编译器，就是得能有一个地方去运行你想要读懂的代码，像官方版呐，Anaconda,Pycharm,Eclipse等等。

安装第三方库
安装第三方库，比如需要用到BeautifulSoup这个库（这是可以从HTML或XML文件中提取数据的Python库）

首先打开cmd命令框

BeautifulSoup库名是bs4
下载库文件的命令是：

pip install bs4

输入到cmd里面去

然后回车

看到图中红色方框的Requirement already satisfied: beautifulsoup4 in字样基本就可以了

然后检验一下
在编译器里面输入

from bs4 import BeautifulSoup
print("asd");

能正常输出就证明库的安装没有问题，有警告不要紧（因为我们import了这个库但没有用到它）

还会用到下面这些个库，照上面的步骤安装就成，功能都写在注释里面了

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 requests 

源代码和读代码

我读的代码来源是
作者：码农BookSea
原文链接: https://blog.csdn.net/bookssea/article/details/107309591

我直接把代码复制过来了，他写的时候用了两种方法，一是直接用excel表格体现爬取的数据，二是把数据保存到数据库里面（先没看这个方式，就把对应的代码删了）

读代码的过程上面这个文章讲的很详细了，我就不加以赘述了

# -*- 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

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
    # 3.保存数据
    saveData(datalist,savepath)      #2种存储方式可以只选择一种



# 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


if __name__ == "__main__":  # 当程序执行时
    # 调用函数
     main()
     print("爬取完毕！")

尝试自己写代码

刚刚我们读的代码爬的网站是：豆瓣电影top250 https://movie.douban.com/top250?start=
我想要爬的网站是: 豆瓣热门访谈图书TOP 10 https://m.douban.com/subject_collection/EC3EPTHFA

这个和我们刚刚读的代码里爬的网站很相似，甚至难度没那个网站那么高，让我们一步步去实现它吧。

我们要进行获取网站上面的信息，就得要知道网站上面的这些个字，这些个模块是怎么出来的，涉及到一点点的前端知识

首先我们从最简单的写起，怎么获取一个网站上面的前端代码，先以B站为例（豆瓣不能直接爬，要加入head）

B站链接是：链接: https://www.bilibili.com/
然后我们按快捷键F12，或者鼠标右键然后选检查，都会出现前端代码，如下图

鼠标滑动到代码区的代码上面时，在页面上会显示代码对应的区域，如下图

我们先爬取所有的前端代码（后续再进行别的筛选）

import requests #导入

url="https://www.bilibili.com/"  #网址
req=requests.get(url)
req.encoding='utf-8'#定义编码格式为utf-8
print(req.text)

运行结果就是我们刚刚看到的那些前端代码

然后尝试我们想要爬的网站：豆瓣读书TOP 250排行榜 https://book.douban.com/top250?start=

把代码直接替换发现无法输出结果
很多网站再申请访问的时候没有请求头访问会不成功，或者返回乱码，最简单的解决方式就是伪装成浏览器进行访问，这就需要添加一个请求头来伪装浏览器行为

 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）

代码就变成了这样

 import urllib.request, urllib.error  # 制定URL，获取网页数据
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）

url="https://movie.douban.com/top250?start="
req=urllib.request.Request(url, headers=head)
req = urllib.request.urlopen(req)
html = req.read().decode('utf-8')
print(html)

这样就能照常显示我们想要的所有的前端代码

top250的榜单在一页上面只能显示25本书，我们翻页找寻规律
第一页：

第二页：
第三页：

此时我们可以发现网址的规律

 for i in range(0,10)  #我们设置一个变量i代表页数
 	url="https://book.douban.com/top250?start="+str(i*25)#第i页的网址

然后我们可以在前端代码里面找寻我们需要的数据例如书名，作者，评分，简介等等

利用find_all()函数返回在前端代码里面搜寻得到的数据，利用sheet进行excel表格的处理

最终代码如下：

 # -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
import xlwt
headers = {
    
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'}

col = ("书名","作者/出版社/年份/标价","评分","简介")
book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象
sheet = book.add_sheet('豆瓣图书Top250', cell_overwrite_ok=True) #创建工作表
for i in range(0,4):
    sheet.write(0,i,col[i])  
   
num=1   
for i in range(0,10):
    url="https://book.douban.com/top250?start="+str(i*25)
    resp = requests.get(url,timeout=None,headers = headers)
    #目标网址中，每一页都以25的倍数递增，timeout=None，在网络不佳的时候一直等待
    soup = BeautifulSoup(resp.text,'html.parser')
    book_names = soup.find_all('div',class_='pl2')#书名
    authors = soup.find_all('p','pl')#作者/出版社/年份/标价
    scores = soup.find_all('span',class_='rating_nums')#评分
    introducts = soup.find_all('table',width="100%")#简介
    for book_name,author,score,introduct in zip(book_names,authors,scores,introducts):
        sheet.write(num,0,str("《%s》\n" % (book_name.find('a')['title'])))
        sheet.write(num,1,str("%s\n" % (author.get_text())))
        sheet.write(num,2,str("%s\n" % (score.get_text())))
        itd = introduct.find('span',class_='inq')
        if(itd != None):  #因为有些图书没有简介
            sheet.write(num,3,str("\"%s\"\n" % (itd.get_text())))
        else:
            sheet.write(num,3,str("None\n"))
        num += 1
        book.save("豆瓣图书Top250.xls") #保存