2024最新整理Python爬虫超详细讲解（零基础入门，老年人都看的懂）

findRating = re.compile(r’(.)‘)
findJudge = re.compile(r’(\d)人评价‘)
findInq = re.compile(r’(.)‘)
findBd = re.compile(r’

(.?)

', re.S)

def main():
baseurl = “https://movie.douban.com/top250?start=” #要爬取的网页链接
# 1.爬取网页
datalist = getData(baseurl)
savepath = “豆瓣电影Top250.xls” #当前目录新建XLS，存储进去
# dbpath = “movie.db” #当前目录新建数据库，存储进去
# 3.保存数据
saveData(datalist,savepath) #2种存储方式可以只选择一种
# saveData2DB(datalist,dbpath)

爬取网页

def getData(baseurl):
datalist = [] #用来存储爬取的网页信息
for i in range(0, 10): # 调用获取页面信息的函数，10次
url = baseurl + str(i * 25)
html = askURL(url) # 保存获取到的网页源码
# 2.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
data = [] # 保存一部电影所有信息
item = str(item)
link = re.findall(findLink, item)[0] # 通过正则表达式查找
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

得到指定一个URL的网页内容

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")
except urllib.error.URLError as e:
    if hasattr(e, "code"):
        print(e.code)
    if hasattr(e, "reason"):
        print(e.reason)
return html

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
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

def saveData2DB(datalist,dbpath):

init_db(dbpath)

conn = sqlite3.connect(dbpath)

cur = conn.cursor()

for data in datalist:

for index in range(len(data)):

if index == 4 or index == 5:

continue

data[index] = ‘"’+data[index]+‘"’

sql = ‘’’

insert into movie250(

info_link,pic_link,cname,ename,score,rated,instroduction,info)

values (%s)‘’'%“,”.join(data)

# print(sql) #输出查询语句，用来测试

cur.execute(sql)

conn.commit()

cur.close

conn.close()

def init_db(dbpath):

sql = ‘’’

create table movie250(

id integer primary key autoincrement,

info_link text,

pic_link text,

cname varchar,

ename varchar ,

score numeric,

rated numeric,

instroduction text,

info text

)

‘’’ #创建数据表

conn = sqlite3.connect(dbpath)

cursor = conn.cursor()

cursor.execute(sql)

conn.commit()

conn.close()

保存数据到数据库

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

复制


**下面我根据代码，从下到下给大家讲解分析一遍**


![](https://img-blog.csdnimg.cn/img_convert/e646bb987731bc4554027ec66392e7c5.jpeg)


–*– codeing = utf-8 –*-，开头的这个是设置编码为utf-8 ，写在开头，防止乱码。 然后下面 import就是导入一些库，做做准备工作，（sqlite3这库我并没有用到所以我注释起来了）。 下面一些find开头的是正则表达式，是用来我们筛选信息的。 （正则表达式用到 re 库，也可以不用正则表达式，不是必须的。） 大体流程分三步走：


**1. 爬取网页** **2.逐一解析数据** **3. 保存网页**


先分析流程1，爬取网页，baseurl 就是我们要爬虫的网页网址，往下走，调用了 getData（baseurl) , 我们来看 getData方法

for i in range(0, 10): # 调用获取页面信息的函数，10次
url = baseurl + str(i * 25)

复制


这段大家可能看不懂，其实是这样的： 因为电影评分Top250，每个页面只显示25个，所以我们需要访问页面10次，25\*10=250。

baseurl = “https://movie.douban.com/top250?start=”

复制


我们只要在baseurl后面加上数字就会跳到相应页面，比如i=1时


<https://movie.douban.com/top250?start=25>


我放上超链接，大家可以点击看看会跳到哪个页面，毕竟实践出真知。


![](https://img-blog.csdnimg.cn/img_convert/d685bdb98adbcd5e288fac5bb266e0a7.jpeg)


然后又调用了askURL来请求网页，这个方法是请求网页的主体方法， 怕大家翻页麻烦，我再把代码复制一遍，让大家有个直观感受

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")
except urllib.error.URLError as e:
    if hasattr(e, "code"):
        print(e.code)
    if hasattr(e, "reason"):
        print(e.reason)
return html

复制


这个askURL就是用来向网页发送请求用的，那么这里就有老铁问了，为什么这里要写个head呢？


![](https://img-blog.csdnimg.cn/img_convert/baf5ffbe2f35ac40db280ffd9518589a.jpeg)


这是因为我们要是不写的话，访问某些网站的时候会被认出来爬虫，显示错误，错误代码


### 418


这是一个梗大家可以百度下，



> 
> 418 I’m a teapot The HTTP 418 I’m a teapot client error response code indicates that the server refuses to brew coffee because it is a teapot. This error is a reference to Hyper Text Coffee Pot Control Protocol which was an April Fools’ joke in 1998.
> 
> 
> 


**我是一个茶壶**


![](https://img-blog.csdnimg.cn/img_convert/823cf90b19c079ed97116b3891429865.jpeg)


所以我们需要 “装” ，装成我们就是一个浏览器，这样就不会被认出来， 伪装一个身份。


![](https://img-blog.csdnimg.cn/img_convert/ff2f30554eec50d365fdbe117201208b.jpeg)


来，我们继续往下走，

html = response.read().decode(“utf-8”)

复制


这段就是我们读取网页的内容，设置编码为utf-8，目的就是为了防止乱码。 访问成功后，来到了第二个流程：


**2.逐一解析数据**


解析数据这里我们用到了 BeautifulSoup（靓汤） 这个库，这个库是几乎是做爬虫必备的库，无论你是什么写法。


下面就开始查找符合我们要求的数据，用BeautifulSoup的方法以及 re 库的 正则表达式去匹配，

findLink = re.compile(r’‘) # 创建正则表达式对象，标售规则 影片详情链接的规则
findImgSrc = re.compile(r’<img.src="(.?)"‘, re.S)
findTitle = re.compile(r’(.)‘)
findRating = re.compile(r’(.)‘)
findJudge = re.compile(r’(\d*)人评价‘)
findInq = re.compile(r’(.)‘)
findBd = re.compile(r’

(.?)

', re.S)

复制


匹配到符合我们要求的数据，然后存进 dataList ， 所以 dataList 里就存放着我们需要的数据了。


最后一个流程：


**3.保存数据**

# 3.保存数据
saveData(datalist,savepath)      #2种存储方式可以只选择一种
# saveData2DB(datalist,dbpath)

复制


保存数据可以选择保存到 xls 表， 需要（xlwt库支持） 也可以选择保存数据到 sqlite[数据库](https://bbs.csdn.net/topics/618317507)， 需要（sqlite3库支持）


这里我选择保存到 xls 表 ，这也是为什么我注释了一大堆代码，注释的部分就是保存到 sqlite 数据库的代码，二者选一就行


保存到 xls 的主体方法是 saveData （下面的saveData2DB方法是保存到sqlite数据库）：

def saveData(datalist,savepath):
print(“save…”)
book = xlwt.Workbook(encoding=“utf-8”,style_compression=0) #创建workbook对象
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

复制


创建工作表，创列（会在当前目录下创建），



![在这里插入图片描述](https://img-blog.csdnimg.cn/20210511152217670.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaWd1aWd1,size_16,color_FFFFFF,t_70)

**感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：**



①　2000多本Python电子书（主流和经典的书籍应该都有了）

②　Python标准库资料（最全中文版）

③　项目源码（四五十个有趣且经典的练手项目及源码）

④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）




**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化学习资料的朋友，可以戳这里无偿获取](https://bbs.csdn.net/topics/618317507)**

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**