基础爬虫_豆瓣电影top250

最新推荐文章于 2024-03-15 07:49:35 发布

偏爱自由！

最新推荐文章于 2024-03-15 07:49:35 发布

阅读量546

点赞数 1

分类专栏： python 文章标签：爬虫

本文链接：https://blog.csdn.net/Elefance13/article/details/115715044

版权

python 专栏收录该内容

9 篇文章 0 订阅

订阅专栏

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
在这里插入图片描述
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")

偏爱自由！

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
1
评论
基础爬虫_豆瓣电影top250

urllib-URL处理模块1.urllib.request打开和读取URL2.urllib.error异常处理模块3.urllib.parse用于解析URL4.urllib,robotparser用于解析.txt文件
复制链接

扫一扫