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
def saveData2DB(datalist,dbpath):
init_db(dbpath)
conn = sqlite3.connect(dbpath)
cur = conn.cursor()
for data in datalist:
for index in range(len(data)):
if index == 4 or index == 5:
continue
data[index] = ‘"’+data[index]+‘"’
sql = ‘’’
insert into movie250(
info_link,pic_link,cname,ename,score,rated,instroduction,info)
values (%s)‘’'%“,”.join(data)
# print(sql) #输出查询语句,用来测试
cur.execute(sql)
conn.commit()
cur.close
conn.close()
def init_db(dbpath):
sql = ‘’’
create table movie250(
id integer primary key autoincrement,
info_link text,
pic_link text,
cname varchar,
ename varchar ,
score numeric,
rated numeric,
instroduction text,
info text
)
‘’’ #创建数据表
conn = sqlite3.connect(dbpath)
cursor = conn.cursor()
cursor.execute(sql)
conn.commit()
conn.close()
保存数据到数据库
if name == “main”: # 当程序执行时
# 调用函数
main()
# init_db(“movietest.db”)
print(“爬取完毕!”)
复制
**下面我根据代码,从下到下给大家讲解分析一遍**
![](https://img-blog.csdnimg.cn/img_convert/e646bb987731bc4554027ec66392e7c5.jpeg)
–*– codeing = utf-8 –*-,开头的这个是设置编码为utf-8 ,写在开头,防止乱码。 然后下面 import就是导入一些库,做做准备工作,(sqlite3这库我并没有用到所以我注释起来了)。 下面一些find开头的是正则表达式,是用来我们筛选信息的。 (正则表达式用到 re 库,也可以不用正则表达式,不是必须的。) 大体流程分三步走:
**1. 爬取网页** **2.逐一解析数据** **3. 保存网页**
先分析流程1,爬取网页,baseurl 就是我们要爬虫的网页网址,往下走,调用了 getData(baseurl) , 我们来看 getData方法
for i in range(0, 10): # 调用获取页面信息的函数,10次
url = baseurl + str(i * 25)
复制
这段大家可能看不懂,其实是这样的: 因为电影评分Top250,每个页面只显示25个,所以我们需要访问页面10次,25\*10=250。
baseurl = “https://movie.douban.com/top250?start=”
复制
我们只要在baseurl后面加上数字就会跳到相应页面,比如i=1时
<https://movie.douban.com/top250?start=25>
我放上超链接,大家可以点击看看会跳到哪个页面,毕竟实践出真知。
![](https://img-blog.csdnimg.cn/img_convert/d685bdb98adbcd5e288fac5bb266e0a7.jpeg)
然后又调用了askURL来请求网页,这个方法是请求网页的主体方法, 怕大家翻页麻烦,我再把代码复制一遍,让大家有个直观感受
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
复制
这个askURL就是用来向网页发送请求用的,那么这里就有老铁问了,为什么这里要写个head呢?
![](https://img-blog.csdnimg.cn/img_convert/baf5ffbe2f35ac40db280ffd9518589a.jpeg)
这是因为我们要是不写的话,访问某些网站的时候会被认出来爬虫,显示错误,错误代码
### 418
这是一个梗大家可以百度下,
>
> 418 I’m a teapot The HTTP 418 I’m a teapot client error response code indicates that the server refuses to brew coffee because it is a teapot. This error is a reference to Hyper Text Coffee Pot Control Protocol which was an April Fools’ joke in 1998.
>
>
>
**我是一个茶壶**
![](https://img-blog.csdnimg.cn/img_convert/823cf90b19c079ed97116b3891429865.jpeg)
所以我们需要 “装” ,装成我们就是一个浏览器,这样就不会被认出来, 伪装一个身份。
![](https://img-blog.csdnimg.cn/img_convert/ff2f30554eec50d365fdbe117201208b.jpeg)
来,我们继续往下走,
html = response.read().decode(“utf-8”)
复制
这段就是我们读取网页的内容,设置编码为utf-8,目的就是为了防止乱码。 访问成功后,来到了第二个流程:
**2.逐一解析数据**
解析数据这里我们用到了 BeautifulSoup(靓汤) 这个库,这个库是几乎是做爬虫必备的库,无论你是什么写法。
下面就开始查找符合我们要求的数据,用BeautifulSoup的方法以及 re 库的 正则表达式去匹配,
(.?)
', re.S)
复制
匹配到符合我们要求的数据,然后存进 dataList , 所以 dataList 里就存放着我们需要的数据了。
最后一个流程:
**3.保存数据**
# 3.保存数据
saveData(datalist,savepath) #2种存储方式可以只选择一种
# saveData2DB(datalist,dbpath)
复制
保存数据可以选择保存到 xls 表, 需要(xlwt库支持) 也可以选择保存数据到 sqlite[数据库]( ), 需要(sqlite3库支持)
这里我选择保存到 xls 表 ,这也是为什么我注释了一大堆代码,注释的部分就是保存到 sqlite 数据库的代码,二者选一就行
保存到 xls 的主体方法是 saveData (下面的saveData2DB方法是保存到sqlite数据库):
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
复制
创建工作表,创列(会在当前目录下创建),
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”)
复制
然后把 dataList里的数据一条条存进去就行。
最后运作成功后,会在左侧生成这么一个文件
![](https://img-blog.csdnimg.cn/img_convert/86c0e144cc318453b421337e9028b643.jpeg)
打开之后看看是不是我们想要的结果
![](https://img-blog.csdnimg.cn/img_convert/95da0f4ac260cc2377937993827645f5.jpeg)
**成了,成了!**
![](https://img-blog.csdnimg.cn/img_convert/4b14bfc534ce4ff96de4a9026dc63b06.jpeg)
如果我们需要以数据库方式存储,可以先生成 xls 文件,再把 xls 文件导入数据库中,就可以啦
>
> 本篇文章讲解到这里啦,我感觉我讲的还算细致吧,爬虫我也是最近才可以学,对这个比较有兴趣,我肯定有讲的不好的地方,欢迎各位大佬来指正我 。
>
>
>
**我也在不断的学习中,学到新东西第一时间会跟大家分享** **大家可以动动小手,点波关注不迷路。**
如果关于本篇文章有不懂的地方,欢迎大家下面留言,我知道的都会给大家一 一解答。
---
这里给大家分享一份**Python全套学习资料**,包括**学习路线、软件、源码、视频、面试题**等等,都是我自己学习时整理的,希望可以对正在学习或者想要学习Python的朋友有帮助!
## CSDN大礼包:全网最全《全套Python学习资料》免费分享🎁
😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
>
> 👉[CSDN大礼包🎁:全网最全《Python学习资料》免费分享**(安全链接,放心点击)**]( )👈
>
>
>
![](https://img-blog.csdnimg.cn/img_convert/81d0601eb3f8bc68ec8ee72713c33e84.png)
### 1️⃣零基础入门
#### ① 学习路线
对于从来没有接触过Python的同学,我们帮你准备了详细的**学习成长路线图**。可以说是**最科学最系统的学习路线**,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。
![在这里插入图片描述](https://img-blog.csdnimg.cn/5d2a14bf29024901a37c4d62bcf0043b.png#pic_center)
#### 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](https://img-blog.csdnimg.cn/8c542780409044cb921fdd0db016690b.jpeg#pic_center)
#### 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!
![在这里插入图片描述](https://img-blog.csdnimg.cn/a03a484e400f436ba139fa0ec7321bf4.gif#pic_center)
**因篇幅有限,仅展示部分资料**
### **2️⃣国内外Python书籍、文档**
#### ① 文档和书籍资料
![在这里插入图片描述](https://img-blog.csdnimg.cn/b9358b262e1a4439a84b455dbd0364e7.gif#pic_center)
### 3️⃣Python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!
![在这里插入图片描述](https://img-blog.csdnimg.cn/20210511152217670.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaWd1aWd1,size_16,color_FFFFFF,t_70)
**感谢每一个认真阅读我文章的人,看着粉丝一路的上涨和关注,礼尚往来总是要有的:**
① 2000多本Python电子书(主流和经典的书籍应该都有了)
② Python标准库资料(最全中文版)
③ 项目源码(四五十个有趣且经典的练手项目及源码)
④ Python基础入门、爬虫、web开发、大数据分析方面的视频(适合小白学习)
⑤ Python学习路线图(告别不入流的学习)