Python爬蟲詳解

• 2022 年 9 月 30 日
• 筆記
• Python

1、任務介紹

需求分析
爬取豆瓣電影Top250的基本資訊，包括電影的名稱，豆瓣評分，評價數，電影概況，電影鏈接等。

//movie.douban.com/top250

2、基本流程

2.1、準備工作

通過瀏覽器查看分析目標網頁，學習編程基礎規範
與Java的一些區別，Python沒有主函數，需要自己去定義並判斷

def main():#所有程式從這裡開始執行
    print("hello")

if __name__=="__main__": #當 當前程式執行時
#調用函數
    main()

2.1.1引入模組

作用就是使用模組里封裝好的功能

from bs4 import BeautifulSoup#網頁解析
import re #正則表達式，進行文字匹配
import urllib.request,urllib.error #指定URL，獲取網頁數據
import xlwt #進行Excel操作
import sqlite3 # 進行SQLite資料庫操作
#若你的Python升級到2.7.9以後，就會引入一個新特性，
#引入了一個新特性，當使用urllib打開https的鏈接時，會檢驗一次ssl證書
import ssl
#全局取消證書驗證(當項目對安全性問題不太重視時，推薦使用，可以全局取消證書的驗證，簡易方便)
ssl._create_default_https_context = ssl._create_unverified_context

2.1.2構建流程

def main():
    baseurl="//movie.douban.com/top250"#要爬取的網站的路徑
    #1.爬取網頁
    datalist=getData(baseurl)#將網站爬取的數據存放在datalist中
    savepath="豆瓣電影Top250.xls"#爬取的數據保存的文件名
    #3.保存數據
    saveData(datalist,savepath)#將爬取的數據保存在指定的文件內

#爬取網頁
def getData(baseurl):
    datalist=[]

    return datalist

2.2、獲取數據

通過HTTP庫向目標站點發起請求，請求可以包含額外的header等資訊，如果伺服器能正常響應，會得到一個Response,便是所要獲取的頁面內容。
偽裝head得到的方法

#爬取網頁
def getData(baseurl):
    datalist=[]
    for i in range(0,10):#調用獲取頁面資訊的函數，10次
        url=baseurl+str(i*25)#baseurl就是參數start後面的值,其實就是個0
        html=askURL(url)#保存獲取到的網頁源碼
       



#得到指定一個URL的網頁內容
def askURL(url):
    #用戶代理表示告訴豆瓣服務我們是什麼類型的機器，瀏覽器(本質上是告訴瀏覽器，我們可以接受什麼水平的文件內容)
    head={ #模擬瀏覽器頭部資訊，向豆瓣伺服器發送消息
        "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)#偽裝成是瀏覽器去發出請求，防止被看出是爬蟲
    html=""
    try:
        #將爬取網頁的源碼存放在response中(獲取一個get請求)
        response = urllib.request.urlopen(request)
        html=response.read().decode("utf-8")#將response中讀取到的源程式碼進行解碼
        #print(html)
    except urllib.error.URLError as e:#訪問可能出現404，或者其它錯誤
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)

    return html

2.3、解析內容

得到的內容可能是HTML、json等格式，可以用二面解析庫，正則表達式等進行解析

#影片詳情鏈接的規則
findLink = re.compile(r'<a href="(.*?)">')#創建正則表達式，表示規則(字元竄的模式)

#影片圖片
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)#re.S讓換行符包含在字元中

#影片片名
findTitle=re.compile(r'<span class="title">(.*)</span>')#re.S讓換行符包含在字元中

#影片評分
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')#re.S讓換行符包含在字元中

#找到評價人數
findJudge=re.compile(r'<span>(\d*)人評價</span>')

#找到概況
findInq=re.compile(r'<span class="inq">(.*)</span>')

#找到影片的相關內容
findBd=re.compile(r'<p class="">(.*?)</p>',re.S)

#逐一解析數據
soup= BeautifulSoup(html,"html.parser")#使用html的解析器
for item in soup.find_all('div',class_="item"): #查找符合要求的字元串，形成列表
    #print(item)
    data=[]
    item=str(item)

    #影片詳情鏈接
    link=re.findall(findLink,item)[0]#re庫用來通過正則表達式查找指定的字元串(標籤里的字元串)
    data.append(link)
    #圖片
    imgSrc=re.findall(findImgSrc,item)[0]
    data.append(imgSrc)
    #影片片名
            titles=re.findall(findTitle,item)#片名可能只有一個中文名，沒有外國名
            if(len(titles)==2):#若該電影有兩個名字
                ctitle=titles[0]#得到第一個中文名
                data.append(ctitle)
                otitle=titles[1].replace("/","")#去掉無關的符號，在一個電影名稱中，若有多個名字，每個名字之間會使用/分割開了
                data.append(otitle)#添加外國名
            else:#若只有一個中文名
                data.append(titles[0])#將爬取到的第一個名字存入
                data.append(' ')#外國名留空
            #評分
            rating=re.findall(findRating,item)[0]
            data.append(rating)
            #評價人數
            judgeNum=re.findall(findJudge,item)[0]
            data.append(judgeNum)#增加評價人數
            #概括
            inq=re.findall(findInq,item)
            if len(inq) !=0:#如果電影有概述
                inq=inq[0].replace("。","")#每個電影概述後面有一個句號
                data.append(inq)#添加概述
            else:
                data.append("")#留空

            #相關內容
            bd=re.findall(findBd,item)[0]
            bd=re.sub('<br(\s+)?/>(\s+)?'," ",bd)#去掉<br/>
            bd=re.sub('/'," ",bd)#替換/
            data.append(bd.strip())#去掉前後的空格

            datalist.append(data)#把處理好的一部電影資訊放入datalist

2.4、保存數據

保存形式多樣，可以村委文本，也可以保存到數據，或者保存特定格式的文件

#保存數據
def saveData(datalist,savepath):
    print("save..")
    book=xlwt.Workbook(encoding="utf-8",style_compression=0)#創建workbook對象
    sheet=book.add_sheet('豆瓣電影Top250',cell_overwrite_ok=True)#創建工作表
    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))
        data=datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])#數據

    book.save(savepath)#保存

最後完整程式碼

from bs4 import BeautifulSoup#網頁解析
import re #正則表達式，進行文字匹配
import urllib.request,urllib.error #指定URL，獲取網頁數據
import xlwt #進行Excel操作
import sqlite3 # 進行SQLite資料庫操作
#若你的Python升級到2.7.9以後，就會引入一個新特性，
#引入了一個新特性，當使用urllib打開https的鏈接時，會檢驗一次ssl證書
import ssl
#全局取消證書驗證(當項目對安全性問題不太重視時，推薦使用，可以全局取消證書的驗證，簡易方便)
ssl._create_default_https_context = ssl._create_unverified_context

def main():
    baseurl="//movie.douban.com/top250?start="
    #1.爬取網頁
    datalist=getData(baseurl)
    savepath="豆瓣電影Top250.xls"
    #3.保存數據
    saveData(datalist,savepath)
    #askURL("//movie.douban.com/top250")


#影片詳情鏈接的規則
findLink = re.compile(r'<a href="(.*?)">')#創建正則表達式，表示規則(字元竄的模式)
#影片圖片
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)#re.S讓換行符包含在字元中
#影片片名
findTitle=re.compile(r'<span class="title">(.*)</span>')#re.S讓換行符包含在字元中
#影片評分
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')#re.S讓換行符包含在字元中
#找到評價人數
findJudge=re.compile(r'<span>(\d*)人評價</span>')
#找到概況
findInq=re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相關內容
findBd=re.compile(r'<p class="">(.*?)</p>',re.S)


#爬取網頁
def getData(baseurl):
    datalist=[]
    for i in range(0,10):#調用獲取頁面資訊的函數，10次
        url=baseurl+str(i*25)#baseurl就是參數start後面的值,其實就是個0
        html=askURL(url)#保存獲取到的網頁源碼
        #逐一解析數據
        soup= BeautifulSoup(html,"html.parser")#使用html的解析器
        for item in soup.find_all('div',class_="item"): #查找符合要求的字元串，形成列表
            #print(item)
            data=[]
            item=str(item)

            #影片詳情鏈接
            link=re.findall(findLink,item)[0]#re庫用來通過正則表達式查找指定的字元串(標籤里的字元串)
            data.append(link)
            #圖片
            imgSrc=re.findall(findImgSrc,item)[0]
            data.append(imgSrc)
            #影片片名
            titles=re.findall(findTitle,item)#片名可能只有一個中文名，沒有外國名
            if(len(titles)==2):#若該電影有兩個名字
                ctitle=titles[0]#得到第一個中文名
                data.append(ctitle)
                otitle=titles[1].replace("/","")#去掉無關的符號，在一個電影名稱中，若有多個名字，每個名字之間會使用/分割開了
                data.append(otitle)#添加外國名
            else:#若只有一個中文名
                data.append(titles[0])#將爬取到的第一個名字存入
                data.append(' ')#外國名留空
            #評分
            rating=re.findall(findRating,item)[0]
            data.append(rating)
            #評價人數
            judgeNum=re.findall(findJudge,item)[0]
            data.append(judgeNum)#增加評價人數
            #概括
            inq=re.findall(findInq,item)
            if len(inq) !=0:#如果電影有概述
                inq=inq[0].replace("。","")#每個電影概述後面有一個句號
                data.append(inq)#添加概述
            else:
                data.append("")#留空

            #相關內容
            bd=re.findall(findBd,item)[0]
            bd=re.sub('<br(\s+)?/>(\s+)?'," ",bd)#去掉<br/>
            bd=re.sub('/'," ",bd)#替換/
            data.append(bd.strip())#去掉前後的空格

            datalist.append(data)#把處理好的一部電影資訊放入datalist
    #print(datalist)
    return datalist

#得到指定一個URL的網頁內容
def askURL(url):
    #用戶代理表示告訴豆瓣服務我們是什麼類型的機器，瀏覽器(本質上是告訴瀏覽器，我們可以接受什麼水平的文件內容)
    head={ #模擬瀏覽器頭部資訊，向豆瓣伺服器發送消息
        "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)#偽裝成是瀏覽器去發出請求，防止被看出是爬蟲
    html=""
    try:
        #將爬取網頁的源碼存放在response中(獲取一個get請求)
        response = urllib.request.urlopen(request)
        html=response.read().decode("utf-8")#將response中讀取到的源程式碼進行解碼
        #print(html)
    except urllib.error.URLError as e:#訪問可能出現404，或者其它錯誤
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)

    return html


#保存數據
def saveData(datalist,savepath):
    print("save..")
    book=xlwt.Workbook(encoding="utf-8",style_compression=0)#創建workbook對象
    sheet=book.add_sheet('豆瓣電影Top250',cell_overwrite_ok=True)#創建工作表
    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))
        data=datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])#數據

    book.save(savepath)#保存




if __name__=="__main__": #當程式執行時
    main()

運行結果