参考文章链接:https://blog.csdn.net/bookssea/article/details/107309591
文章目录
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!")