python爬虫

一、爬虫简介

1.爬虫是什么

爬虫称为网页蜘蛛或网络机器人，用于自动获（爬）取互联网上的信息，本质就是一段代码
任何一门高级语言都可以实现爬虫，并不只有python

2.实现原理

通过代码，模拟浏览器向服务器发送HTTP或HTTPS请求，然后对服务器相应的结果进行处理，获取想要的数据
三步走

• 获取数据：发送请求并接收响应结果
• 处理数据：对响应数据进行处理，筛选出有效数据
• 存储数据：将有效数据存储起来

二、基本用法

1.获取数据

使用urllib标准库

#!/usr/bin/env python3
# -*- coding:utf-8 -*-
__author__ = '陈爽'

# 导入urllib中的request模块，用于发送http/https请求获取数据
from urllib import request


# 获取数据
def get_data():

    url = 'https://search.51job.com/list/160500,000000,0000,00,9,99,java%25E5%25BC%2580%25E5%258F%2591,2,1.html'
    # 创建request对象 指定url和请求头
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.164 Safari/537.36'
    }
    # 使用Request封装返回Request对象
    req = request.Request(url, headers=headers)
    response = request.urlopen(req)
    # <class 'http.client.HTTPResponse'>
    # print(type(response))
    # print(response.getcode())
    # print(response.info())
    if response.getcode() == 200:
        data = response.read()  # 读取响应的结果
        # print(type(data))  # <class 'bytes'>
        data = str(data, encoding='gbk')  # 转换为str
        # print(data)
        # 将数据写入文件中
        with open('index.html', mode='w',encoding='gbk') as f:
            f.write(data)

if __name__ == '__main__':
    get_data()

2.处理数据

处理方式三种

• 字符串解析：使用字符串+正则表达式
• 使用XPath
  XPath是一门在xml文档中查找信息的语言，用来在xml文档中对元素和属性进行遍历
  使用Chrome开发人员工具，获取Xpath
• 使用第三方模块Beautiful Soup
  Beautiful Soup是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.
  安装 pip install beautifulsoup4
  导入模块 from bs4 import BeautifulSoup

# 处理解析数据
def parse_data():
    with open('index.html',mode='r', encoding='gbk') as f:
        html = f.read()
    # 创建Beautiful Soup实例，解析html数据
    bs = BeautifulSoup(html,'html.parser')
    '''
        查找数据 
        1、find('name') 获取第一个匹配标签
        2、find_all() 获取所有匹配标签
        3、.select()
    '''
    # div = bs.find('div')
    # print(div, type(div))  # <class 'bs4.element.Tag'>
    # metas = bs.find_all('meta')  # 返回集合
    # print(bs.find_all(id='hello'))  # 根据id获取 返回集合
    # print(bs.find_all(class_='cauc'))  # 根据class_获取

    # print(bs.select('#hello'))
    # print(bs.select('p#world span'))

    # 获取标签中的文本及其子孙的文本
    value = bs.select('#hello')[0].get_text().strip()
    print(len(value))

3.存储数据

3.1存储到mysql数据库

安装pymysql模块并引入

def save_to_mysql(data):
    config = {
        'host': 'localhost',
        'port': 3306,
        'user': 'root',
        'password': 'root',
        'database': 'python',
        'charset': 'utf8',
    }
    conn = pymysql.connect(**config)
    cursor = conn.cursor()
    sql = '''
        insert into t_job
        (title,company,address,salary,pubDate)
        values
        (%(title)s,%(company)s,%(address)s,%(salary)s,%(pubDate)s)
        '''
    cursor.executemany(sql, data)
    conn.commit()

    cursor.close()
    conn.close()

3.2存储到Excel表格

将 openpyxl模块下Workbook引入
安装模块pip install openpyxl

def save_to_Excel(data):
    # 创建工作簿 Workbook
    wbook = Workbook()
    # 创建工作表
    sheet = wbook.create_sheet('招聘信息', 0)

    # 向工作表中传入数据
    sheet.append(['职位名', '公司名', '工作地点', '薪资', '发布时间'])

    for item in data:
        row = [item['title'], item['company'], item['address'], item['salary'], item['pubDate']]
        sheet.append(row)

    # 输出保存
    wbook.save('51job.xlsx')

三、处理JSON数据

from urllib import request
import json


def get_data():
    url = 'https://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=rank&page_limit=500&page_start=0'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.164 Safari/537.36'}
    req = request.Request(url, headers=headers)
    response = request.urlopen(req)
    if response.getcode() == 200:
        result = response.read()
        # print(type(result))  # <class 'bytes'>
        return result


# 处理数据
def parse_data(html):
    # 将字符串形式的json转化为dict字典
    data = json.loads(html)
    # print(type(data), data)
    movies = data['subjects']
    for movie in movies:
        print(movie['title'], movie['rate'])


if __name__ == '__main__':
    parse_data(get_data())  # <class 'dict'>

四、爬虫应用

步骤：
1.获取数据
2.处理数据（清洗数据）
3.存储数据
4.数据可视化

电影评论数据分析