Python爬虫零基础(以爬豆瓣电影top250为例,尝试自己写爬豆瓣读书top250的代码)
安装编译器
先要准备好一个Python的编译器,就是得能有一个地方去运行你想要读懂的代码,像官方版呐,Anaconda,Pycharm,Eclipse等等。
安装第三方库
安装第三方库,比如需要用到BeautifulSoup这个库(这是可以从HTML或XML文件中提取数据的Python库)
首先打开cmd命令框
BeautifulSoup库名是bs4
下载库文件的命令是:
pip install bs4
输入到cmd里面去
然后回车
看到图中红色方框的Requirement already satisfied: beautifulsoup4 in字样基本就可以了
然后检验一下
在编译器里面输入
from bs4 import BeautifulSoup
print("asd");
能正常输出就证明库的安装没有问题,有警告不要紧(因为我们import了这个库但没有用到它)
还会用到下面这些个库,照上面的步骤安装就成,功能都写在注释里面了
from bs4 import BeautifulSoup # 网页解析,获取数据
import re # 正则表达式,进行文字匹配
import urllib.request, urllib.error # 制定URL,获取网页数据
import xlwt # 进行excel操作
import requests
源代码和读代码
我读的代码来源是
作者:码农BookSea
原文链接: https://blog.csdn.net/bookssea/article/details/107309591
我直接把代码复制过来了,他写的时候用了两种方法,一是直接用excel表格体现爬取的数据,二是把数据保存到数据库里面(先没看这个方式,就把对应的代码删了)
读代码的过程上面这个文章讲的很详细了,我就不加以赘述了
# -*- codeing = utf-8 -*-
from bs4 import BeautifulSoup # 网页解析,获取数据
import re # 正则表达式,进行文字匹配`
import urllib.request, urllib.error # 制定URL,获取网页数据
import xlwt # 进行excel操作
#import sqlite3 # 进行SQLite数据库操作
findLink = re.compile(r'<a href="(.*?)">') # 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'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>', 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
# 3.保存数据
saveData(datalist,savepath) #2种存储方式可以只选择一种
# 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.pa