python爬虫

2024-06-13 19:19 由 Sol_9 发表于 #后端开发

What's 爬虫？

简单来说：

爬虫，即网络蜘蛛，是伪装成客户端与服务器进行数据交互的程序。

代码

点击查看代码

from bs4 import BeautifulSoup        #网页解析
import urllib.request,urllib.error   #制定URL，获取网页数据
import re                            #正则表达式  进行文字匹配
import xlwt                          #进行excel操作
from tqdm import trange              #进度条库
 
def main():
    baseurl = "https://movie.douban.com/top250?start="
    # 1.爬取网页
    # 2.逐一解析数据
    datalist =getDate(baseurl)
    # 3.保存数据
    savepath = "豆瓣top250.xls"
    savedata(datalist,savepath)
 
#影片详情链接
findLink = re.compile(r'<a href="(.*?)">')     #创建正则表达式，表示规则（字符串的模式）
#影片图片的链接
findImagesrc = re.compile( r'<img[^>]+src=["\']([^"\']+)["\']')     #ai写的正则
#影片中文片名
findName = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#影片热评
findComment = re.compile(r'<span class="inq">(.*?)</span>')
 
def getDate(baseurl):
    datalist = []
    # 1.爬取网页
    for i in trange(0,10):
        url = baseurl + str(i*25)
        html = askURL(url)      #保存获取到的网络源码
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):
            # 2.逐一解析数据
            item =str(item)
            data=[]
            name = re.findall(findName,item)[0]
            data.append(name)
            link = re.findall(findLink,item)[0]
            data.append(link)
            img = re.findall(findImagesrc,item)[0]
            data.append(img)
            rating = re.findall(findRating,item)
            data.append(rating)
            comment = re.findall(findComment,item)
            if len(comment)!=0:
                comment=comment[0].replace("。","")
                data.append(comment)
            else:
                data.append("  ")
            datalist.append(data)
 
    return datalist
 
def askURL(url):
    head={
        "User-Agent":"Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/121.0.0.0 Mobile Safari/537.36 Edg/121.0.0.0"
    }
    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
 
def savedata(datalist,savepath):
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)   #压缩样式效果，设为0
    sheet = book.add_sheet('top250',cell_overwrite_ok=True)  #每个单元在写入时覆盖以前的内容
    col = ('电影中文名','电影详情链接','图片链接','电影评分','电影热评')
    for i in range(0,len(col)):
        sheet.write(0,i,col[i])   #列名
    for i in range (0,250):
        data = datalist[i]
        for j in range (0,len(col)):
            sheet.write(i+1,j,data[j])
 
    book.save(savepath)
 
if __name__ == "__main__":
    main()
    print("爬取完成")

需要用到的库： from bs4 import BeautifulSoup #网页解析 import urllib.request,urllib.error #制定URL，获取网页数据 import re #正则表达式进行文字匹配 import xlwt #进行excel操作 from tqdm import trange

进度条库，当然你也可以不用，这个库只需要把for循环里的range改为trange，你就可以得到一个进度条

思路

1.获取网页的源码

def askURL(url):
    head={
        "User-Agent":"Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/121.0.0.0 Mobile Safari/537.36 Edg/121.0.0.0"
    }
    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

用个循环，根据网页制定一下url

找到用于伪装客户端User-Agent
在network里刷新一下网页，找到发送的标头header

这个是user-agent：Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/121.0.0.0 Mobile Safari/537.36 Edg/121.0.0.0

用urllib获取你制定的url的源码
在 try 块中：

调用 urllib.request.urlopen(request) 发送HTTP请求，并获取响应对象 response。
通过 response.read() 获取服务器返回的原始二进制数据。
使用 decode("utf-8") 方法将二进制数据解码成UTF-8编码的字符串，并将其赋值给变量 html。
如果在执行 urlopen 函数过程中出现 urllib.error.URLError 异常，则进入 except 块：

判断异常对象是否包含 .code 属性，如果有则打印出HTTP状态码。
再判断异常对象是否包含 .reason 属性，如果有则打印出错误原因。
最后，无论是否发生异常，都返回抓取到的网页HTML内容（即变量 html）

2.解析数据

def getDate(baseurl):
    datalist = []
    # 1.爬取网页
    for i in trange(0,10):
        url = baseurl + str(i*25)
        html = askURL(url)      #保存获取到的网络源码
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):
            # 2.逐一解析数据
            item =str(item)
            data=[]
            name = re.findall(findName,item)[0]
            data.append(name)
            link = re.findall(findLink,item)[0]
            data.append(link)
            img = re.findall(findImagesrc,item)[0]
            data.append(img)
            rating = re.findall(findRating,item)
            data.append(rating)
            comment = re.findall(findComment,item)
            if len(comment)!=0:
                comment=comment[0].replace("。","")
                data.append(comment)
            else:
                data.append("  ")
            datalist.append(data)
 
    return datalist

BeautifulSoup
bs4是一个强大的库，用于从HTML和XML文件中提取数据，它能够将复杂的HTML结构转换成树形结构（即元素树），使得开发者可以方便地搜索、遍历以及修改网页内容。

"html.parser": 这是BeautifulSoup用来解析HTML文档的解析器。在这个案例中，它是指Python自带的标准HTML解析器。除了标准的解析器外，BeautifulSoup还可以配合其他第三方解析器如 lxml 来使用。

用bs4和re筛选信息

3.保存数据写入excel表中

需要用到xwlt库

def savedata(datalist,savepath):
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)   #压缩样式效果，设为0
    sheet = book.add_sheet('top250',cell_overwrite_ok=True)  #每个单元在写入时覆盖以前的内容
    col = ('电影中文名','电影详情链接','图片链接','电影评分','电影热评')
    for i in range(0,len(col)):
        sheet.write(0,i,col[i])   #列名
    for i in range (0,250):
        data = datalist[i]
        for j in range (0,len(col)):
            sheet.write(i+1,j,data[j])
 
    book.save(savepath)