Python爬虫入门超详细讲解

宇宙大豹发

于 2024-07-22 17:04:35 发布

阅读量684

点赞数 24

文章标签： python 爬虫开发语言

本文链接：https://blog.csdn.net/2401_85855266/article/details/140610099

版权

讲解我们的爬虫之前，先概述关于爬虫的简单概念（毕竟是零基础教程）

想象一下，如果你是一个侦探，那么网络爬虫就是你的得力助手，悄无声息地在互联网的各个角落搜集线索。网络爬虫，又称网页蜘蛛或网络机器人，是一种能够模拟浏览器发送网络请求，接收响应，并按照一定规则自动抓取互联网信息的程序。

在这里插入图片描述

网络爬虫的定义是什么？

网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟浏览器发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。
原则上，只要是浏览器(客户端)能做的事情，爬虫都能够做。

网络爬虫在我们的生活中扮演怎样的角色？

在数字化时代，信息如同潮水般汹涌而来。过去，我们可能依赖书籍、报纸或电视来获取信息，但这些渠道的信息量有限，而且筛选过的信息未必能满足我们的需求。如今，互联网为我们提供了海量的信息，但同时也带来了“信息过载”的问题。如何在浩如烟海的数据中找到我们真正需要的信息呢？

答案就是网络爬虫。它可以帮助我们自动化地搜集和分析信息，无论是在商业研究、市场分析、还是个人学习等方面，都有着广泛的应用。比如，商家可以利用爬虫分析竞争对手的营销策略，投资者可以用它来跟踪市场动态，学者可以收集数据进行学术研究。

在这里插入图片描述

在如此海量的信息碎片中，我们如何获取对自己有用的信息呢？

毫无疑问是通过网络爬虫进行分析筛选！

通过某项技术将相关的内容收集起来，再分析筛选才能得到我们真正需要的信息。

这个信息收集分析整合的工作，可应用的范畴非常的广泛，无论是生活服务、出行旅行、金融投资、各类制造业的产品市场需求等等……都能够借助这个技术获取更精准有效的信息加以利用。

网络爬虫技术，虽说有个诡异的名字，本能第一反应是那种软软的蠕动的生物，但它却是一个可以在虚拟世界里，无往不前的利器。

如何做好网络爬虫的准备工作？

当我们提到“Python爬虫”时，可能会让人误以为只有Python才能做爬虫。其实，这是一个误解。PHP、JAVA、C#、C++等编程语言也都可以编写爬虫程序。之所以Python在爬虫领域备受欢迎，是因为它的语法简洁易读，同时拥有丰富的第三方库和工具，如requests、BeautifulSoup等，这些都能极大地简化爬虫的编写过程。

但是，无论使用哪种编程语言，编写爬虫都需要一定的技术基础和对网络协议的理解。同时，也需要注意遵守网站的robots协议和法律法规，避免对网站造成不必要的负担或侵犯他人的权益。

总之，网络爬虫是我们在大数据时代中不可或缺的数据收集助手。它能够帮助我们快速、准确地获取所需信息，为我们的工作和生活带来便利。

首先我们需要下载python，我下载的是官方最新的版本 3.8.3

其次我们需要一个Python的代码编辑器，我用的是Pychram。

下载链接：https://www.jetbrains.com/pycharm/download/#section=windows

我们还需要一些库来支持爬虫的运行（有些库Python可能自带了)

# -*- 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

差不多就是这几个库了，良心的我已经在后面写好注释了。

爬虫运行过程中，不一定就只需要上面几个库，看你爬虫的一个具体写法了，反正需要库的话我们可以直接在setting里面安装)

爬虫项目讲解

我们要爬取的就是这个网站：https://movie.douban.com/top250

我们的爬取的内容是：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。

这边我已经爬取好了，将爬取内容存入xls表中，看一下效果图：

代码分析

先把代码放上来，然后我根据代码逐步解析：

# -*- 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  
  
# 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！")

在这里插入图片描述

下面我根据代码，从下到下给大家讲解分析一遍

-- 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：

爬取网页
逐一解析数据
保存网页

1.爬取网页

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)

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="

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。

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

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？

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

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。

来，我们继续往下走，

html = response.read().decode("utf-8")

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：

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)

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)

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

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")

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：

打开之后看看是不是我们想要的结果：

成了，成了！

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

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。

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。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

整理出了一套系统的学习路线，这套资料涵盖了诸多学习内容：开发工具，基础视频教程，项目实战源码，51本电子书籍，100道练习题等。相信可以帮助大家在最短的时间内，能达到事半功倍效果，用来复习也是非常不错的。

由于文章篇幅有限，文档资料内容较多，需要这些文档的朋友，可以加小助手微信免费获取，【保证100%免费】，中国人不骗中国人。

在这里插入图片描述

                                     **（扫码立即免费领取）**

全套Python学习资料分享：

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，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、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，还有环境配置的教程，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频全套

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，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。

在这里插入图片描述

如有侵权，请联系删除。

宇宙大豹发

关注

24
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
Python爬虫入门超详细讲解

网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟浏览器发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。原则上，只要是浏览器(客户端)能做的事情，爬虫都能够做。网络爬虫在我们的生活中扮演怎样的角色？在数字化时代，信息如同潮水般汹涌而来。过去，我们可能依赖书籍、报纸或电视来获取信息，但这些渠道的信息量有限，而且筛选过的信息未必能满足我们的需求。如今，互联网为我们提供了海量的信息，但同时也带来了“信息过载”的问题。如何在浩如烟海的数据中找到我们真正需要的信息呢？
复制链接

扫一扫