前言
在我们学习python的时候,学会了某些知识点了啦,
我我们就得写一些案例来考验一下是否掌握了
今天我就给大家带来一个简单的案例——采集电影排行有关信息
本次亮点:
-
分析网页结构
-
css/xpath/re 解析数据
-
保存CSV文件
环境介绍:
-
python 3.8 开源 免费的 (统一 3.8)
-
Pycharm YYDS python最好用的编辑器 不接受反驳…
模块使用:
-
requests
数据请求模块 pip install requests
-
parsel
数据解析模块 pip install parsel
-
csv
学习编程最看重的项目经验
安装python第三方模块:
-
win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
-
在pycharm中点击Terminal(终端) 输入安装命令
基本思路:
(无论你爬取任何网站数据, 都是可以按照这个几步骤来的)
-
明确需求
我们要爬取的内容是什么
要分析我们的想要数据, 可以从哪里获取, 哪里来的… (数据来源分析)
用这个开发者工具 进行抓包(数据包)分析
静态网页, 网页上面看到的数据内容,在网页源代码里面都有
动态网站, 抓包分析
-
发送请求 (开发者工具里面headers)
对于那个网址发送请求, 发送什么样的请求, 携带那些请求头参数
-
获取数据
获取服务器返回的数据内容, 看服务器数据格式是什么样的, 或者说我们想要的数据是什么样的
获取文本数据 response.text
获取服务器json字典数据 response.json()
获取二进制数据 response.content 保存视频/音频/图片/特定格式的文件内容 都是获取二进制数据
-
解析数据
提供我们想要的数据内容
-
保存数据
保存本地
代码展示
一、明确需求
爬取豆瓣Top250排行电影信息
-
电影名字
-
导演、主演
-
年份、国家、类型
-
评分、评价人数
-
电影简介
二、模块导入
import requests # 数据请求模块 pip install requests
import parsel # 数据解析模块 pip install parsel
import csv # 保存表格数据
三、发送请求
Python中的大量开源的模块使得编码变的特别简单,
我们写爬虫第一个要了解的模块就是requests。
请求url地址,使用get请求,添加headers请求头,模拟浏览器请求,网页会给你返回response对象
#模拟浏览器发送请求
import requests
url = 'https://movie.*****.com/top250'
# 因不可抗原因,网址屏蔽拉~你们自己添加一下哦~
# 完整代码可添加企鹅裙:582950881领取呐~
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
print(response)
200是状态码,表示请求成功
2xx (成功)
3xx (重定向)
4xx(请求错误)
5xx(服务器错误)
四、获取数据
import requests
url = 'https://movie.*****.com/top250'
# 因不可抗原因,网址屏蔽拉~你们自己添加一下哦~
# 完整代码可添加企鹅裙:582950881领取呐~
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
print(response.text)
requests.get(url=url, headers=headers)
:请求网页返回的是response对象
response.text
: 获取网页文本数据
response.json
: 获取网页json数据
这两个是用的最多的,当然还有其他的
五、解析数据
常用解析数据方法: 正则表达式、css选择器、xpath、lxml…
常用解析模块:bs4、parsel…
我们使用的是 parsel 无论是在之前的文章,还是说之后的爬虫系列文章,我都会使用 parsel 这个解析库,无它就是觉得它比bs4香。
parsel 是第三方模块,pip install parsel 安装即可
parsel 可以使用 css、xpath、re解析方法
所有的电影信息都包含在 li 标签当中。
#把 response.text 文本数据转换成 selector 对象
selector = parsel.Selector(response.text)
#获取所有li标签
lis = selector.css('.grid_view li')
#遍历出每个li标签内容
for li in lis:
# 获取电影标题 hd 类属性 下面的 a 标签下面的 第一个span标签里面的文本数据 get()输出形式是 字符串获取一个 getall() 输出形式是列表获取所有
title = li.css('.hd a span:nth-child(1)::text').get() # get()输出形式是 字符串
movie_list = li.css('.bd p:nth-child(1)::text').getall() # getall() 输出形式是列表
star = movie_list[0].strip().replace('\xa0\xa0\xa0', '').replace('/...', '')
movie_info = movie_list[1].strip().split('\xa0/\xa0') # ['1994', '美国', '犯罪 剧情']
movie_time = movie_info[0] # 电影上映时间
movie_country = movie_info[1] # 哪个国家的电影
movie_type = movie_info[2] # 什么类型的电影
rating_num = li.css('.rating_num::text').get() # 电影评分
people = li.css('.star span:nth-child(4)::text').get() # 评价人数
summary = li.css('.inq::text').get() # 一句话概述
dit = {
'电影名字': title,
'参演人员': star,
'上映时间': movie_time,
'拍摄国家': movie_country,
'电影类型': movie_type,
'电影评分': rating_num,
'评价人数': people,
'电影概述': summary,
}
# pprint 格式化输出模块
pprint.pprint(dit)
以上的知识点使用到了
-
parsel 解析模块的方法
-
for 循环
-
css 选择器
-
字典的创建
-
列表取值
-
字符串的方法:分割、替换等
-
pprint 格式化输出模块
所以扎实基础是很有必要的。不然你连代码都不知道为什么要这样写。
六、保存数据(数据持久化)
常用的保存数据方法 with open
像豆瓣电影信息这样的数据,保存到Excel表格里面会更好。
所以需要使用到 csv 模块
#csv模块保存数据到Excel
f = open('豆瓣电影数据.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['电影名字', '参演人员', '上映时间', '拍摄国家', '电影类型',
'电影评分', '评价人数', '电影概述'])
csv_writer.writeheader() # 写入表头
这就是爬取了数据保存到本地了。
这只是一页的数据,爬取数据肯定不只是爬取一页数据。
想要实现多页数据爬取,就要分析网页数据的url地址变化规律。
可以清楚看到每页url地址是 25 递增的,使用for循环实现翻页操作
for page in range(0, 251, 25):
url = f'https://movie.*****.com/top250?start={page}&filter='
# 因不可抗原因,网址屏蔽拉~你们自己添加一下哦~
# 完整代码可添加企鹅裙:582950881领取呐~
七、效果展示
尾语
好啦,本文章到这里就结束拉
有喜欢的小伙伴记得给博主一个三连哦~
希望你在学习的路上不忘初心,坚持不懈,学有所成
把时间和精力,放在自己擅长的方向,去坚持与努力,
如果不知道自己擅长什么,就尽快找到它。