Python爬虫学习笔记

获取get请求

       

import urllib.request
#获取get请求
response =urllib.request.urlopen("http://www.baidu.com")  #这个包下的rerquest模块额urlopen方法,此时response是一个对象

print(response.read().decode('utf-8'))  #方法read读取，接着调用decode方法解码

获取post请求

#获取一个post请求
# import urllib.parse
# data=bytes(urllib.parse.urlencode({"hello":"world"}),encoding='utf-8')      #将前面字典的内容进行封装成byte,形成data 字节文件
# response =urllib.request.urlopen("http://httpbin.org/post",data= data)
# print(response.read().decode('utf-8'))      #模拟浏览器发出请求

时间超时异常 （当爬虫出现问题时）

#时间超时异常
# try:
#     response=urllib.request.urlopen("http://httpbin.org/post",timeout=0.01)
#     print(response.read().decode('utf-8'))
# 
# except urllib.error.URLError as e:
#     print("timeout")

请求头+访问豆瓣

#请求头 现在可以访问豆瓣了
import urllib.parse
url="https://movie.douban.com"
headers={
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36 SLBrowser/8.0.0.12022 SLBChan/101"
}	#复制F12找到User-Agent信息

req =urllib.request.Request(url=url,headers=headers)        #请求对象
response=urllib.request.urlopen(req)                    #响应对象
print(response.read().decode('utf-8'))

部分正则表达式和应用

#正则
import re
#创建模式对象
pat =re.compile("AA")  #创建对象compile 标准AA
m=pat.search("CBA")
print(m)
m=re.search("asd","asd")

print(re.sub('a','A','asdsaf'))
print(re.findall('a','asddas'))

应用 爬取到豆瓣电影top250数据保存到Excel

from bs4 import BeautifulSoup  # 网页解析
import re  # 正则
import urllib.request, urllib.error  # 指定url 获取网页数据
import xlwt  # excel操作
import sqlite3  # 进行SQLITE数据库操作


def main():
    baseurl = "https://movie.douban.com/top250?start="  # 修改baseurl的值
    datalist = getData(baseurl)         #返回存放数据的列表
    savepath = ".\\豆瓣电影Top250.xls"  # 保存路径
    saveData(savepath)  # 调用保存数据函数
    askURL("https://movie.douban.com/top250?start=")  # 参数用来找页面


#正则表达式  影片规则
findlink=re.compile(r'<a href="(.*?)">')       #创建正则表达式对象，表示规则  r忽视特殊符号
#影片图片
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)  #re.S 忽略换行符  （.*） 表示若干个字符
#影片片名
findTitle=re.compile(r'<span class="title">(.*)</span>')
#影片评分
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>')
#找到概况
findInq=re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)

def getData(baseurl):
    datalist = []
    for i in range(0, 1):  # 调用获取页面信息的函数
        url = baseurl + str(i * 25)     #一页25个
        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形成列表
            data=[] #保存一部电影的所有信息
            item=str(item)
            #影片超链接
            
            link=re.findall(findlink,item)[0]       #re正则
            data.append(link)           #添加链接
            imgSrc=re.findall(findImgSrc,item)[0]
            data.append(imgSrc)          #添加图片
            title =re.findall(findTitle,item)    #片名可能只有中文名
            if (len(title)==2):
                ctitle=title[0]             #添加中文
                data.append(ctitle)
                otitle=title[1].replace("/","").replace('\xa0\xa0','')   #用replace 替换掉无关的符号        添加外国
                data.append(otitle)
            else:
                data.append(title[0])
                data.append(' ')   #留空 外国名

            rating=re.findall(findRating,item)      #添加评分
            data.append(rating)

            judgeNum=re.findall(findJudge,item)     #添加评价人数
            data.append(judgeNum)

            inq=re.findall(findInq,item)
            if len(inq)!=0:
                inq=inq[0].replace('。','')
                data.append(inq)         #添加概述
            else:
                data.append(" ")

            bd=re.findall(findBd,item)
            bd = str(bd)    #需要转换成字符串才可以操作
            #bd=re.sub('<br(\s+)?/>(\s+?)',' ',bd)       #去掉<br/>
            #bd=re.sub('/',' ',bd)       #替换/
            bd.strip()
            data.append(bd)  #去掉前后空格

            datalist.append(data)       #处理好的信息放入datalist

    print(datalist)
    return datalist


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; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36 SLBrowser/8.0.0.12022 SLBChan/101"
    }
    # 用户代理，表示告诉豆瓣，我们是什么类型的机器浏览器（我们可以接受什么水平的文件内容）
    request = urllib.request.Request(url=url, headers=head)  # 封装
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.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(savepath):  # 保存数据函数，这里我无法看到你的具体实现，所以我暂时不添加这部分的代码。
    print("save........")  # 打印保存提示信息
    # 这里你可能需要添加将数据写入到Excel或者SQLite的代码，这部分我无法在你的代码中看到，所以我无法为你添加这部分的代码。


if __name__ == '__main__':  # 如果当前文件被直接运行，那么执行这个代码块，而不是被导入为模块时执行。这里你可能会需要修改这个if条件以符合你的需求。
    main()  # 调用main函数，执行爬虫程序。这里你可能需要添加错误处理代码以确保程序在出错时能够正确地停止或者输出错误信息。

保存到Excel的语法

# workbook=xlwt.Workbook(encoding='utf-8')        #创建workbook对象
# worksheet=workbook.add_sheet('sheet1')          #创建工作表
# worksheet.write(0,0,'hello')       #写入数据，二维数组,第三个是数据
# workbook.save('student.xls')        #保存数据表

按住ctrl鼠标点击 快速跳转到相关函数

应用方面出现问题，我过几天看看正则表达式重新写一下这部分