文章目录
前言
好家伙，爬虫来了
爬虫，这玩意，不会怎么办，
诶，先抄一份作业回来
1.别人的爬虫
**# -\*- 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
# dbpath = "movie.db" #当前目录新建数据库，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
# saveData2DB(datalist,dbpath)
# 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()
# init\_db("movietest.db")
print("爬取完毕！")**
卧槽，有点东西
这东西看上去挺nb啊，
也很方便，把我想要的一些数据直接总结到一个excel表格中了
我们来看看这些字段是如何匹配的
.xls
代码：
**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)**
?? 这不就专业对口了吗
网站的html:
将三个"表"都打开,再来看看对比
(诶都对上了)
此处,使用正则表达式去匹配对应标签
于是看了这个案例之后，我们就可以大概去分析以下爬虫到底干了什么:
1.发请求，随后拿到服务器发过来的.html文件
2.用正则表达式去套对应的，我们需要的数据
3.处理数据，最后把他们以某种方式呈现
具体来说，爬虫通常会执行以下步骤：
-
发送HTTP请求：爬虫通过发送HTTP请求来获取目标网页的内容。
-
解析HTML页面：网页内容一般是HTML格式的，爬虫需要使用HTML解析器来将页面内容解析成Python对象。
-
提取数据：通过Python编程语言对解析出来的对象进行遍历和操作，找到需要的数据并保存下来。
-
存储数据：将提取的数据保存到文件中、数据库中或者内存中，以备后续的处理和分析。
-
处理异常：爬虫需要处理异常，例如：请求超时、解析错误等，以确保爬虫的稳定性和可靠性。
开干
2.我的爬虫
好了，我们自己写一个爬虫试试
**import requests
from bs4 import BeautifulSoup
import xlwt
import re
# 创建Excel文件
workbook = xlwt.Workbook(encoding='utf-8')
worksheet \= workbook.add\_sheet('kugou\_rank')
# pattern = re.compile(r'(?<=- ).\*')
# 构造请求头
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
}
# 定义排行榜页面的URL
url = 'https://www.kugou.com/yy/rank/home/1-6666.html?from=rank'
# 发送请求并获取响应
r = requests.get(url, headers=headers)
# 解析HTML
soup = BeautifulSoup(r.text, 'html.parser')
# 定位歌曲排行榜列表
song\_list = soup.find('div', {'class': 'pc\_temp\_songlist'}).find\_all('li')
# 将数据写入Excel文件
worksheet.write(0, 0, '排名') #写入对应的字段
worksheet.write(0, 1, '歌名')
worksheet.write(0, 2, '歌手')
worksheet.write(0, 3, '专辑')
worksheet.write(0, 4, '播放时长')
worksheet.write(0, 5, '链接地址')
row \= 1
for song in song\_list:
song\_name \= song.find('a', {'class': 'pc\_temp\_songname'}).text.strip() #筛选出歌名
song\_title = song.get('title')
singer\_pattern \= re.compile(r'.\*(?= - )')
song\_singer \= singer\_pattern.findall(song\_title)
song\_title \= song.get('title')
print(song\_title)
album\_pattern \= re.compile(r'(?<=- ).\*')
song\_album \= album\_pattern.findall(song\_title)
# song\_album = pattern.findall(song)
song\_time = song.find('span', {'class': 'pc\_temp\_time'}).text.strip()
link\_pattern \= re.compile(r'href="(.\*?)"')
worksheet.write(row, 0, song\['data-index'\]) #将排行写入excel表格
worksheet.write(row, 1, song\_name) #将歌名写入excel表格
worksheet.write(row, 2, song\_singer) #将歌手写入excel表格
worksheet.write(row, 3, song\_album) #将歌曲专辑写入excel表格
worksheet.write(row, 4, song\_time) #将歌曲时长写入excel表格
song =str(song)
song \= song.split("javascript:")\[0\]
song\_link \= link\_pattern.findall(song)
worksheet.write(row, 5, song\_link) #将歌曲时长写入excel表格
row += 1
# 保存Excel文件
workbook.save('C:/Users/10722/Desktop/python答辩/kugou\_rank.xls')**
说明:
**# 构造请求头
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
}**
带着请求头去请求,一个简单的"反爬"机制,模仿浏览器去发请求,非常实用
(其实没什么乱用,你能想到的,网站的开发者大概也能想到,所以你要是乱来还是会封你IP的)
没什么难度
这爬了酷狗的一个音乐榜单
然后记录了一些音乐数据，还有歌曲的地址。
算是给大家提供了一些基础思路。
关于Python技术储备
学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后给大家分享一份全套的 Python 学习资料，希望提供给想学习 Python 的小伙伴们一点帮助！
保存图片微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
一、Python所有方向的学习路线
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
二、Python基础学习视频
② 路线对应学习视频
还有很多适合0基础入门的学习视频，有了这些视频，轻轻松松上手Python~在这里插入图片描述
③练习题
每节视频课后，都有对应的练习题哦，可以检验学习成果哈哈！
因篇幅有限，仅展示部分资料
三、精品Python学习书籍
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
四、Python工具包+项目源码合集
①Python工具包
学习Python常用的开发软件都在这里了！每个都有详细的安装教程，保证你可以安装成功哦！
②Python实战案例
光学理论是没用的，要学会跟着一起敲代码，动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。100+实战案例源码等你来拿！
③Python小游戏源码
如果觉得上面的实战案例有点枯燥，可以试试自己用Python编写小游戏，让你的学习过程中增添一点趣味！
五、面试资料
我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
六、Python兼职渠道
而且学会Python以后，还可以在各大兼职平台接单赚钱，各种兼职渠道+兼职注意事项+如何和客户沟通，我都整理成文档了。
这份完整版的Python全套学习资料已经上传CSDN，朋友们如果需要可以保存图片微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
2442
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
