适合小白的python爬虫

参考文章链接：https://blog.csdn.net/bookssea/article/details/107309591

---

---

一、什么是爬虫

B/S架构（浏览器/服务器 架构），就是用户发送请求通过浏览器解析，发送给服务器，服务器访问对应的数据库，然后进行响应，返回对应的数据。
而网络爬虫就是模拟浏览器，向服务器发送网络请求，接收服务端的响应，拿到对应的数据，就是一种按照一定的规则，自动地抓取互联网信息的程序或者脚本。

二、爬虫的工作原理

在了解爬虫的工作原理之前，需要了解一下浏览器的工作原理：

1、在浏览器输入一个网址，浏览器会去访问该网址对应的服务器，这个过程叫做请求。

2、服务器将对应的内容发送给浏览器，这个过程叫响应。

3、浏览器拿到服务器返回的内容后，一般都是网页的源代码，我们是看不懂的，浏览器会将内容自动解析成我们能够看懂的样子，也就是我们最终在浏览器里看到的网页。

那爬虫的工作原理是什么呢？

爬虫像浏览器一样向服务器发送请求，拿到服务器返回的数据后，根据我们自己设定的规则去获取需要的数据，数据处理完成后再将数据保存起来。

简单地说，爬虫就是模拟浏览器的行为，从而获取网站的数据

三、实操

概念太枯燥，接下来直接上实操：
这里只演示将爬取的数据保存到 xls 表， 需要（xlwt库支持）
这里演示爬取https://movie.douban.com/top250?start=25

1、导库

类似于java代码中的导包import

from bs4 import BeautifulSoup  # 一个强大的 HTML/XML 解析库，可以轻松地从 HTML 或 XML 文件中提取数据
import re  # 正则表达式
import urllib.request, urllib.error 
 # urllib库是Python内置的HTTP请求库，urllib.request负责请求
 # urllib.error负责异常处理,类似于java中的exception
 
import xlwt  # 进行excel操作

2、正则表达式

编译正则表达式模式，返回一个对象。可以把常用的正则表达式编译成正则表达式对象，方便后续调用及提高效率：

# re.compile 用来生成一个正则表达式对象
findLink = re.compile(r'<a href="(.*?)">')  # 书的链接
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)  # 书的图片
findTitle = re.compile(r'<span class="title">(.*)</span>')  # 书的名字
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')  # 书的评分
findJudge = re.compile(r'<span>(\d*)人评价</span>')  # 评价人数
findInq = re.compile(r'<span class="inq">(.*)</span>')  # 书的描述
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)  # 书的相关信息

3、爬取网页的方法

# 爬取网页
def getData(baseurl): # 定义有参方法
    datalist = []  # 用来存储爬取的网页信息
    for i in range(0, 10):  # 网站有10页，所以循环10次
        url = baseurl + str(i * 25)  # 网站url上的start参数的值是变化的（获取完整url）
        html = askURL(url)  # 发送请求并返回网页响应的数据的一个方法


        # 逐一解析数据

        soup = BeautifulSoup(html, "html.parser")  # 创建beautifulsoup对象
         # 第一个参数是要解析的内容
         # 第二个参数是beautifulsoup要采用的模块，即规则，解析器

        for item in soup.find_all('div', class_="item"):  # 查找符合要求的字符串
            data = []  # 用来保存一部电影所有信息
            item = str(item)
            link = re.findall(findLink, item)[0]  # 通过正则表达式对象查找对应的书的链接
            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

4、向一个指定的url发送请求并返回该网页响应的数据的方法

# 向一个指定的url发送请求并返回该网页响应的数据的方法
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")  # 拿到响应数据并指定编码格式
    except urllib.error.URLError as e:  # 异常处理
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html

5、保存数据到表格的方法

# 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，指定编码格式，不压缩
    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

6、main方法

def main():
    baseurl = "https://movie.douban.com/top250?start="  #要爬取的网页链接
    # 爬取网页
    datalist = getData(baseurl)
    savepath = "豆瓣电影Top250.xls"    #当前目录新建XLS
    # 保存数据
    saveData(datalist,savepath)

7、方法执行

if __name__ == "__main__":  # 当程序执行时
    # 调用函数
     main()
    # init_db("movietest.db")
     print("爬取完毕！")