Python爬虫详解

1、任务介绍

需求分析
爬取豆瓣电影Top250的基本信息，包括电影的名称，豆瓣评分，评价数，电影概况，电影链接等。

https://movie.douban.com/top250

2、基本流程

2.1、准备工作

通过浏览器查看分析目标网页，学习编程基础规范
与Java的一些区别，Python没有主函数，需要自己去定义并判断

def main():#所有程序从这里开始执行
    print("hello")
if __name__=="__main__": #当 当前程序执行时
#调用函数
    main()

2.1.1引入模块

作用就是使用模块里封装好的功能

from bs4 import BeautifulSoup#网页解析
import re #正则表达式，进行文字匹配
import urllib.request,urllib.error #指定URL，获取网页数据
import xlwt #进行Excel操作
import sqlite3 # 进行SQLite数据库操作
#若你的Python升级到2.7.9以后，就会引入一个新特性，
#引入了一个新特性，当使用urllib打开https的链接时，会检验一次ssl证书
import ssl
#全局取消证书验证(当项目对安全性问题不太重视时，推荐使用，可以全局取消证书的验证，简易方便)
ssl._create_default_https_context = ssl._create_unverified_context

2.1.2构建流程

def main():
    baseurl="https://movie.douban.com/top250"#要爬取的网站的路径
    #1.爬取网页
    datalist=getData(baseurl)#将网站爬取的数据存放在datalist中
    savepath="豆瓣电影Top250.xls"#爬取的数据保存的文件名
    #3.保存数据
    saveData(datalist,savepath)#将爬取的数据保存在指定的文件内
#爬取网页
def getData(baseurl):
    datalist=[]
    return datalist

2.2、获取数据

通过HTTP库向目标站点发起请求，请求可以包含额外的header等信息，如果服务器能正常响应，会得到一个Response,便是所要获取的页面内容。
伪装head得到的方法

#爬取网页
def getData(baseurl):
    datalist=[]
    for i in range(0,10):#调用获取页面信息的函数，10次
        url=baseurl+str(i*25)#baseurl就是参数start后面的值,其实就是个0
        html=askURL(url)#保存获取到的网页源码
#得到指定一个URL的网页内容
def askURL(url):
    #用户代理表示告诉豆瓣服务我们是什么类型的机器，浏览器(本质上是告诉浏览器，我们可以接受什么水平的文件内容)
    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 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36" }
    request=urllib.request.Request(url,headers=head)#伪装成是浏览器去发出请求，防止被看出是爬虫
    html=""
    try:
        #将爬取网页的源码存放在response中(获取一个get请求)
        response = urllib.request.urlopen(request)
        html=response.read().decode("utf-8")#将response中读取到的源代码进行解码
        #print(html)
    except urllib.error.URLError as e:#访问可能出现404，或者其它错误
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html

2.3、解析内容

得到的内容可能是HTML、json等格式，可以用二面解析库，正则表达式等进行解析

#影片详情链接的规则
findLink = re.compile(r'<a href="https://www.cnblogs.com/twq46/p/(.*?)">')#创建正则表达式，表示规则(字符窜的模式)
#影片图片
findImgSrc=re.compile(r'<img.*src="https://www.cnblogs.com/twq46/p/(.*?)"',re.S)#re.S让换行符包含在字符中
#影片片名
findTitle=re.compile(r'<span class="title">(.*)</span>')#re.S让换行符包含在字符中
#影片评分
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')#re.S让换行符包含在字符中
#找到评价人数
findJudge=re.compile(r'<span>(\d*)人评价</span>')
#找到概况
findInq=re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd=re.compile(r'<p class="">(.*?)</p>',re.S)
#逐一解析数据
soup= BeautifulSoup(html,"html.parser")#使用html的解析器
for item in soup.find_all('div',class_="item"): #查找符合要求的字符串，形成列表
    #print(item)
    data=[]
    item=str(item)
    #影片详情链接
    link=re.findall(findLink,item)[0]#re库用来通过正则表达式查找指定的字符串(标签里的字符串)
    data.append(link)
    #图片
    imgSrc=re.findall(findImgSrc,item)[0]
    data.append(imgSrc)
    #影片片名
            titles=re.findall(findTitle,item)#片名可能只有一个中文名，没有外国名
            if(len(titles)==2):#若该电影有两个名字
                ctitle=titles[0]#得到第一个中文名
                data.append(ctitle)
                otitle=titles[1].replace("/","")#去掉无关的符号，在一个电影名称中，若有多个名字，每个名字之间会使用/分割开了
                data.append(otitle)#添加外国名
            else:#若只有一个中文名
                data.append(titles[0])#将爬取到的第一个名字存入
                data.append(' ')#外国名留空
            #评分
            rating=re.findall(findRating,item)[0]
            data.append(rating)
            #评价人数
            judgeNum=re.findall(findJudge,item)[0]
            data.append(judgeNum)#增加评价人数
            #概括
            inq=re.findall(findInq,item)
            if len(inq) !=0:#如果电影有概述
                inq=inq[0].replace("。","")#每个电影概述后面有一个句号
                data.append(inq)#添加概述
            else:
                data.append("")#留空
            #相关内容
            bd=re.findall(findBd,item)[0]
            bd=re.sub('<br(\s+)?/>(\s+)?'," ",bd)#去掉<br/>
            bd=re.sub('/'," ",bd)#替换/
            data.append(bd.strip())#去掉前后的空格
            datalist.append(data)#把处理好的一部电影信息放入datalist

2.4、保存数据

保存形式多样，可以村委文本，也可以保存到数据，或者保存特定格式的文件

#保存数据
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))
        data=datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])#数据
    book.save(savepath)#保存

最后完整代码

from bs4 import BeautifulSoup#网页解析
import re #正则表达式，进行文字匹配
import urllib.request,urllib.error #指定URL，获取网页数据
import xlwt #进行Excel操作
import sqlite3 # 进行SQLite数据库操作
#若你的Python升级到2.7.9以后，就会引入一个新特性，
#引入了一个新特性，当使用urllib打开https的链接时，会检验一次ssl证书
import ssl
#全局取消证书验证(当项目对安全性问题不太重视时，推荐使用，可以全局取消证书的验证，简易方便)
ssl._create_default_https_context = ssl._create_unverified_context
def main():
    baseurl="https://movie.douban.com/top250?start="
    #1.爬取网页
    datalist=getData(baseurl)
    savepath="豆瓣电影Top250.xls"
    #3.保存数据
    saveData(datalist,savepath)
    #askURL("https://movie.douban.com/top250")
#影片详情链接的规则
findLink = re.compile(r'<a href="https://www.cnblogs.com/twq46/p/(.*?)">')#创建正则表达式，表示规则(字符窜的模式)
#影片图片
findImgSrc=re.compile(r'<img.*src="https://www.cnblogs.com/twq46/p/(.*?)"',re.S)#re.S让换行符包含在字符中
#影片片名
findTitle=re.compile(r'<span class="title">(.*)</span>')#re.S让换行符包含在字符中
#影片评分
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')#re.S让换行符包含在字符中
#找到评价人数
findJudge=re.compile(r'<span>(\d*)人评价</span>')
#找到概况
findInq=re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd=re.compile(r'<p class="">(.*?)</p>',re.S)
#爬取网页
def getData(baseurl):
    datalist=[]
    for i in range(0,10):#调用获取页面信息的函数，10次
        url=baseurl+str(i*25)#baseurl就是参数start后面的值,其实就是个0
        html=askURL(url)#保存获取到的网页源码
        #逐一解析数据
        soup= BeautifulSoup(html,"html.parser")#使用html的解析器
        for item in soup.find_all('div',class_="item"): #查找符合要求的字符串，形成列表
            #print(item)
            data=[]
            item=str(item)
            #影片详情链接
            link=re.findall(findLink,item)[0]#re库用来通过正则表达式查找指定的字符串(标签里的字符串)
            data.append(link)
            #图片
            imgSrc=re.findall(findImgSrc,item)[0]
            data.append(imgSrc)
            #影片片名
            titles=re.findall(findTitle,item)#片名可能只有一个中文名，没有外国名
            if(len(titles)==2):#若该电影有两个名字
                ctitle=titles[0]#得到第一个中文名
                data.append(ctitle)
                otitle=titles[1].replace("/","")#去掉无关的符号，在一个电影名称中，若有多个名字，每个名字之间会使用/分割开了
                data.append(otitle)#添加外国名
            else:#若只有一个中文名
                data.append(titles[0])#将爬取到的第一个名字存入
                data.append(' ')#外国名留空
            #评分
            rating=re.findall(findRating,item)[0]
            data.append(rating)
            #评价人数
            judgeNum=re.findall(findJudge,item)[0]
            data.append(judgeNum)#增加评价人数
            #概括
            inq=re.findall(findInq,item)
            if len(inq) !=0:#如果电影有概述
                inq=inq[0].replace("。","")#每个电影概述后面有一个句号
                data.append(inq)#添加概述
            else:
                data.append("")#留空
            #相关内容
            bd=re.findall(findBd,item)[0]
            bd=re.sub('<br(\s+)?/>(\s+)?'," ",bd)#去掉<br/>
            bd=re.sub('/'," ",bd)#替换/
            data.append(bd.strip())#去掉前后的空格
            datalist.append(data)#把处理好的一部电影信息放入datalist
    #print(datalist)
    return datalist
#得到指定一个URL的网页内容
def askURL(url):
    #用户代理表示告诉豆瓣服务我们是什么类型的机器，浏览器(本质上是告诉浏览器，我们可以接受什么水平的文件内容)
    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 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36" }
    request=urllib.request.Request(url,headers=head)#伪装成是浏览器去发出请求，防止被看出是爬虫
    html=""
    try:
        #将爬取网页的源码存放在response中(获取一个get请求)
        response = urllib.request.urlopen(request)
        html=response.read().decode("utf-8")#将response中读取到的源代码进行解码
        #print(html)
    except urllib.error.URLError as e:#访问可能出现404，或者其它错误
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html
#保存数据
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))
        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
    main()

运行结果