爬虫又称为网页蜘蛛，是一种程序或脚本。
但重点在于，它能够按照一定的规则，自动获取网页信息。
爬虫的基本原理——通用框架
1.挑选种子URL；
2.讲这些URL放入带抓取的URL列队；
3.取出带抓取的URL，下载并存储进已下载网页库中。此外，讲这些URL放入带抓取URL列队，进入下一循环。
4.分析已抓取列队中的URL，并且将URL放入带抓取URL列队，从而进去下一循环。
5.光理论是不够的。这里顺便免费送大家一套2020最新python入门到高级项目实战视频教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，还可以跟老司机交流讨教！
爬虫获取网页信息和人工获取信息，其实原理是一致的。
如我们要获取电影的“评分”信息
人工操作步骤：
1.获取电影信息的网页；
2.定位（找到）要评分信息的位置；
3.复制、保存我们想要的评分数据。
爬虫操作步骤：
1.请求并下载电影页面信息；
2.解析并定位评分信息；
3.保存评分数据。
爬虫的基本流程
简单来说，我们向服务器发送请求后，会得到返回的页面，通过解析页面后，我们可以抽取我们想要的那部分信息，并存储在指定文档或数据库中，这样，我们想要的信息会被我们“爬”下来了。
python中用于爬虫的包很多，如bs4，urllib，requests等等。这里我们用requests+xpath的方式，因为简单易学，像BeautifulSoup还是有点难的。
下面我们就使用requests和xpath来爬取豆瓣电影中的“电影名”、“导演”、“演员”、“评分”等信息。
安装requests和lxml库：
| 1 2 |
|
一、导入模块
| 1 2 3 4 |
|
二、获取豆瓣电影目标网页并解析
爬取豆瓣电影《神秘巨星》上的一些信息，地址
https://movie.douban.com/subject/26942674/?from=showing
| 1 2 3 4 5 6 7 8 9 |
|
1.获取电影名称。
获取电影的xpath信息并获得文本
| 1 |
|
这里的xpath信息要手动获取，获取方式如下：
1.如果你是用谷歌浏览器的话，鼠标“右键”–>“检查元素”；
2.Ctrl+Shift+C将鼠标定位到标题；
3.“右键”–>“Copy”–>“Copy Xpath”就可以复制xpath。
这样，我们就把电影标题的xpath信息复制下来了。
| 1 |
|
放到代码中并打印信息
| 1 2 3 4 5 6 7 8 9 10 |
|
这样，我们爬取豆瓣电影中《神秘巨星》的“电影名称”信息的代码已经完成了，可以在eclipse中运行代码。
得到如下结果：
| 1 |
|
OK，迈出了第一步，我们继续抓取导演、主演、评分；
| 1 2 3 4 5 6 7 |
|
观察上面的代码，发现获取不同主演时，区别只在于“a[x]”中“x”的值不同。实际上，要一次性获取所有主演信息时，用不加数字的“a”即可获取。
如下：
| 1 |
|
所以我们修改好的完整代码如下：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 |
|
结果输出：
| 1 2 3 4 5 |
|
怎么样，是不是很简单啊。赶快去试试吧~~~
这里顺便补充点基础知识：
Requests常用的七种方法：
目前，我们只需要掌握最常用的requests.get()方法就好了。
requests.get()的使用方法
| 1 2 3 |
|
Repsonse对象的属性：
data.status_code：http请求的返回状态，200表示连接成功；
data.text：返回对象的文本内容；
data.content：猜测返回对象的二进制形式；
data.encoding：返回对象的编码方式；
data.apparent_encoding：响应内容编码方式。
最后注意：光理论是不够的。这里顺便免费送大家一套2020最新python入门到高级项目实战视频教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，还可以跟老司机交流讨教！
本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
748
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
