代码完成,总结一下:
在这一阶段爬虫简单可以分为三个部分:
1.爬取网页
2.爬取数据
3.保存数据
在这里我们一共用到了四个库,分别对应着:
1.爬取网页:urllib
2.爬取数据:BeautifuSoup, re
3.保存数据:xlwt
**第一阶段:爬取网页,**请求http;
调用urllib;
urllib在这里使用其中的三个模块:请求模块urllib.request;异常处理模块urllib.error;解析模块urllib,parse
urlopen()返回对象提供的方法有:
-
read(),readline(),readlines(),fileno(),close():对HTTPR esponse类型数据进行操作
-
info():返回HTTPMessage对象,表示远程服务器 返回的头信息
-
getcode():返回Http状态码
-
geturl():返回请求的url。
-
status:返回状态码
-
getheaders():响应的头部信息
-
getheader(‘Server’): 返回响应头指定参数Server 的值
请求模块urllib.request:
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
urlopen()方法中的url参数可以是字符串,也可以是一个Request对象
##url可以也是Request对象
from urllib import request,parse
url = 'http://httpbin.org/post'
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64)',
'Host':'httpbin.org'}
data = {'name':'Germey'}
data = parse.urlencode(data).encode('utf-8')
req = request.Request(url=url,headers=headers,data=data,method='POST')
response = request.urlopen(req)
print(response.read().decode('utf-8'))
使用urllib.request模块的Request包装请求,再通过urlopen()获取页面
urllib.request.Request(url, data=None,
headers={},method=None)
异常处理
from urllib import request,error
try:
response = request.urlopen('http://www.baidu.com')
except error.URLError as e:
print(e.reason)
code:返回状态码404表示不存在,500表示服务器错误
reason:返回错误原因
headers:返回请求头
3、url解析模块:urllib.parse
print(resp.read().decode('utf-8'))
第二阶段:解析数据:BeautifulSoup,re
BeautifulSoup从网页抓取数据
re是正则表达式,定义获取数据的原则
Beautiful Soup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。
BeautifulSoup4主要解析器
BeautifulSoup4将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:
Tag
NavigableString
BeautifulSoup
Comment
Tag
我们可以利用 soup 加标签名轻松地获取这些标签的内容,这些对象的类型是bs4.element.Tag。但是注意,它查找的是在所有内容中的第一个符合要求的标签。
from bs4 import BeautifulSoup
file = open('./aa.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")
# 获取title标签的所有内容
print(bs.title)
# 获取head标签的所有内容
print(bs.head)
# 获取第一个a标签的所有内容
print(bs.a)
# 类型
print(type(bs.a))
对于 Tag,它有两个重要的属性,是 name 和 attrs:
from bs4 import BeautifulSoup
file = open('./aa.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")
# [document] #bs 对象本身比较特殊,它的 name 即为 [document]
print(bs.name)
# head #对于其他内部标签,输出的值便为标签本身的名称
print(bs.head.name)
# 在这里,我们把 a 标签的所有属性打印输出了出来,得到的类型是一个字典。
print(bs.a.attrs)
#还可以利用get方法,传入属性的名称,二者是等价的
print(bs.a['class']) # 等价 bs.a.get('class')
# 可以对这些属性和内容等等进行修改
bs.a['class'] = "newClass"
print(bs.a)
# 还可以对这个属性进行删除
del bs.a['class']
print(bs.a)
NavigableString
既然我们已经得到了标签的内容,那么问题来了,我们要想获取标签内部的文字怎么办呢?很简单,用 .string 即可,例如:
from bs4 import BeautifulSoup
file = open('./aa.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")
print(bs.title.string)
print(type(bs.title.string))
BeautifulSoup
BeautifulSoup对象表示的是一个文档的内容。大部分时候,可以把它当作 Tag 对象,是一个特殊的 Tag,我们可以分别获取它的类型,名称,以及属性,例如:
from bs4 import BeautifulSoup
file = open('./aa.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")
print(type(bs.name))
print(bs.name)
print(bs.attrs)
搜索文档树
find_all(name, attrs, recursive, text, **kwargs)
(1)name参数:
name 参数可以查找所有名字为 name 的 tag, 字符串对象会被自动忽略掉
字符串过滤:会查找与字符串完全匹配的内容
正则表达式过滤:如果传入的是正则表达式,那么BeautifulSoup4会通过search()来匹配内容
bs = BeautifulSoup(html,"html.parser")
t_list = bs.find_all(re.compile("a"))
for item in t_list:
print(item)
(2)kwargs参数:
如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字 tag 的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup 会搜索每个 tag 的”id” 属性
# 查询所有包含class的Tag(注意:class在Python中属于关键字,所以加_以示区别)
t_list = bs.find_all(class_=True)
for item in t_list:
print(item)
有些 tag 属性在搜索不能使用,比如 HTML5 中的 data-* 属性
但是可以通过 find_all () 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的 tag
t_list = bs.find_all(attrs={"data-foo":"value"})
好的,通过上面的知识点,我们就可以简单的解析一些基本的数据,下面我们就需要保存数据了
第三阶段:保存数据:xlwt
通过一段代码,我们可以简单的了解xlwt的基本操作:
import xlwt #导入模块
workbook = xlwt.Workbook(encoding='utf-8') #创建workbook 对象
worksheet = workbook.add_sheet('sheet1') #创建工作表sheet
worksheet.write(0, 0, 'hello') #往表中写内容,第一各参数 行,第二个参数列,第三个参数内容
workbook.save('students.xls') #保存表为students.xls
这个博客有关于xlwt的详细操作:
https://www.cnblogs.com/python-robot/p/9958352.html
爬取豆瓣电影TOP250(代码):
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 #置顶URL,获取网页数据
import xlwt #进行EXCEJ操作
def main():
baseurl = "https://movie.douban.com/top250?start="
#1.爬取网页
datalist = getData(baseurl)
savepath = ".\\豆瓣Top205.xls"
#3.保存数据
saveData(datalist,savepath)
#影片连接的规则
findlink = re.compile(r'<a href="(.*?)">')#生成标准正则表达式,正则表达式的规则
#影片图片的规则
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)#re.S排除换行符
#影片的片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片的评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#找到概括
findInq = re.compile(r'<span class="inq">(.*?)</span>')
#找到影片相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)
#爬取网页
def getData(baseurl):
datalist=[]
for i in range(0,10):
url = baseurl + str(i*25)#网址后面的start=”+"10
html = askURL(url)#返回获取的网页
# spyter1.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,形成列表
#print(item)#测试,查看全部信息
data = []#保存一部电影所有信息
item = str(item)
#添加影片的连接
link = re.findall(findlink,item)[0]#通过正则表达式查找指定的字符串,[0]表示所有结构中的第一个
data.append(link)
# 添加图片
imgSrc = re.findall(findImgSrc,item)[0]
data.append(imgSrc)
#添加片名
titles = re.findall(findTitle,item)#片名可能有英文和中文
if(len(titles)==2):
ctitle = titles[0]#添加中文名
data.append(ctitle)
otitle = titles[1].replace("/","")#去除无关的符号
data.append(otitle)#添加外国名
else:
data.append(titles[0])
data.append(' ')#外国名留空
#添加评分
rating = re.findall(findRating,item)[0]
data.append(rating)
#添加评分人数
judgeNum = re.findall(findJudge,item)[0]
data.append(judgeNum)
#添加概括
inq = re.findall(findInq,item)[0]
if len(inq) !=0:
inq = inq[0].replace("。","")#去除句号
data.append(inq)
else:
data.append(" ")
bd = re.findall(findBd,item)[0]
bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd)#去除br
bd = re.sub('/',' ',bd)
data.append(bd.strip())#去除前后的空格
datalist.append(data)#把处理好的一部电影信息储存到datalist
return datalist
#得到指定一个URL的网页内容
def askURL(url):
#模拟浏览器头部信息,向豆瓣服务器发送消息
head = {"User-Agent":" Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36 Edg/89.0.774.75"}
#用户代理,告诉豆瓣服务器,我们是什么类型的机器,本质上告诉浏览器,我们可以接受什么水平的内容
request = urllib.request.Request(url,headers=head)
html = ""
try:
request = urllib.request.urlopen(request)
html = request.read().decode("utf-8")
# print(html)
except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)
return html
def saveData(datalist,savapath):
book = xlwt.Workbook(encoding="utf-8")
sheet = book.add_sheet('sheet1',cell_overwrite_ok=True)
col = ("电影详情连接","图片链接","影片中文名","影片外国名","评分","评价数","概括","相关信息")
for i in range(0,8):
sheet.write(0,i,col[i])
for i in range(0,250):
print(f"第{i+1}条")
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j])
book.save(savapath)
if __name__=="__main__":
main()
print("爬取成功")