python爬虫教学

爬虫基本流程：

        1.寻找想要爬虫的网页，并利用谷歌浏览器分析目标网页。例如：

2.获取数据

   通过request给目标网页发送请求，目标网页响应的数据就是我们需要获取网页的全部内容。

#得到页面全部内容

def askURL(url):

    request = urllib.request.Request(url)#发送请求

    try:

        response = urllib.request.urlopen(request)#取得响应

        html= response.read()#获取网页内容

        print (html)

    except urllib.error.URLError as e:

        if hasattr(e,"code"):

            print (e.code)

        if hasattr(e,"reason"):

            print (e.reason)

    return html

3.解析数据

   使用html.parser网页解析器对目标网页响应的html文件进行解析，使用正则表达式寻找我们需要的数据。例如：

4.保存数据

    可以利用python库xlwt将解析出来的数据写入Excel。

5.整个项目代码附下：

!pip install bs4

!pip install xlwt

!pip install urllib3

!pip install xlrd

import sys

from bs4 import BeautifulSoup

import re

import urllib

import xlwt

 

#得到页面全部内容

def askURL(url):

    request = urllib.request.Request(url)#发送请求

    try:

        response = urllib.request.urlopen(request)#取得响应

        html= response.read()#获取网页内容

        print (html)

    except urllib.error.URLError as e:

        if hasattr(e,"code"):

            print (e.code)

        if hasattr(e,"reason"):

            print (e.reason)

    return html

 

   #获取相关内容

def getData(baseurl):

    findLink=re.compile(r'<a href="(.*?)">')#找到影片详情链接

    findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)#找到影片图片

    findTitle=re.compile(r'<span class="title">(.*)</span>')#找到片名

    #找到评分

    findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')

    #找到评价人数

    findJudge=re.compile(r'<span>(\d*)人评价</span>')

    #找到概况

    findInq=re.compile(r'<span class="inq">(.*)</span>')

    #找到影片相关内容：导演，主演，年份，地区，类别

    findBd=re.compile(r'<p class="">(.*?)</p>',re.S)

    #去掉无关内容

 remove=re.compile(r'                            |\n|</br>|\.*')

    datalist=[]

    for i in range(0,10):

        url=baseurl+str(i*25)

        html=askURL(url)

        soup = BeautifulSoup(html, "html.parser")

        for item in soup.find_all('div',class_='item'):#找到每一个影片项

            data=[]

            item=str(item)#转换成字符串

            # 影片详情链接

            link=re.findall(findLink,item)[0]

            data.append(link)#添加详情链接  

            imgSrc=re.findall(findImgSrc,item)[0]

            data.append(imgSrc)#添加图片链接

            titles=re.findall(findTitle,item)

            #片名可能只有一个中文名，没有外国名

            if(len(titles)==2):

                ctitle=titles[0]

                data.append(ctitle)#添加中文片名

                otitle=titles[1].replace("/","")#去掉无关符号

                data.append(otitle)#添加外国片名

            else:

                data.append(titles[0])#添加中文片名

                data.append(' ')#留空

                

            rating=re.findall(findRating,item)[0]

            data.append(rating)#添加评分

            judgeNum=re.findall(findJudge,item)[0]

            data.append(judgeNum)#添加评论人数

            inq=re.findall(findInq,item)

            #可能没有概况

            if len(inq)!=0:

                inq=inq[0].replace("。","")#去掉句号

                data.append(inq)#添加概况

            else:

                data.append(' ')#留空

            bd=re.findall(findBd,item)[0]

            bd=re.sub(remove,"",bd)

            bd=re.sub('<br(\s+)?\/?>(\s+)?'," ",bd) #去掉<br >

            bd=re.sub('/', " ",bd)#替换/

            data.append(bd.strip())

            datalist.append(data)

    return datalist

 

#将相关数据写入excel中

def saveData(datalist,savepath):

    book=xlwt.Workbook(encoding='utf-8',style_compression=0)

    sheet=book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)

    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):

        data=datalist[i]

        for j in range(0,8):

            sheet.write(i+1,j,data[j])#数据

    book.save(savepath)#保存

 

def main():

    print ("开始爬取......")

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

    datalist=getData(baseurl)

    savapath=u'/home/aistudio/data/豆瓣电影Top250.xls'

    saveData(datalist,savapath)

 

main()

print ("爬取完成，请查看.xls文件")

import pandas as pd

df = pd.read_excel("/home/aistudio/data/豆瓣电影Top250.xls")

print(df.head()) print(df.info())

运行结果如下：

加油！！！生活总会慢慢变好。。。。