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