爬虫介绍/准备工作/构建流程/获取数据/BeautifulSoup/Re(正则表达式)/正则提取/标签解析/保存数据到excel
更新时间:2021.9.16
vedio:15,16,17,18,19,20,21,22,23,24,25*
# -*- coding: utf-8 -*-
# @Time : 2021/9/4 18:33
# @Author : 李新宇
# @FileName: t1.py
# @Software: PyCharm
def add(a,b):
return a+b
print(add(2,3))
# -*- coding: utf-8 -*-
# @Time : 2021/9/4 18:33
# @Author : 李新宇
# @FileName: t2.py
# @Software: PyCharm
from test1 import t1
#引入自定义模块
print(t1.add(2,3))
#引入系统模块
import os
import sys
#引入·第三方模块
import re
# -*- coding: utf-8 -*-
# @Time : 2021/9/9 10:56
# @Author : 李新宇
# @FileName: testXwlt.py
# @Software: PyCharm
import xlwt
'''
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,第一个参数“行”,第二个参数“列”,第三个参数内容
workbook.save('studen.xls') #保存数据表
'''
#99乘法表
workbook = xlwt.Workbook(encoding="utf-8") #创建workbook对象
worksheet = workbook.add_sheet('sheet1') #创建工作表
for i in range(0,9):
for j in range(0,i+1):
worksheet.write(i,j,"%d * %d = %d"%(i+1,j+1,(i+1)*(j+1)))
workbook.save('studen.xls') #保存数据表
# -*- coding: utf-8 -*-
# @Time : 2021/9/4 19:12
# @Author : 李新宇
# @FileName: testUrllib.py
# @Software: PyCharm
import urllib.request
'''
#获取一个get请求
response = urllib.request.urlopen("http://www.baidu.com")
print(response.read().decode('utf-8')) #对获取到的网页源码进行utf-8的解码
#获取一个post请求
'''
'''
import urllib.parse
data = bytes(urllib.parse.urlencode({"hello":"world"}),encoding='utf-8')
response = urllib.request.urlopen("http://httpbin.org/post",data= data )
print(response.read().decode('utf-8'))
'''
#获取一个get请求
'''
try:
response = urllib.request.urlopen("http://httpbin.org/get",timeout=3)
print(response.read().decode('utf-8'))
except urllib.error.URLError as e:
print("time out")
'''
'''
response = urllib.request.urlopen("http://www.baidu.com")
#print(response.status)
print(response.getheaders())
'''
# url = "http://www.douban.com"
'''
url = "http://httpbin.org/post"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36 Edg/93.0.961.38"
}
data = bytes(urllib.parse.urlencode({'name':'eric'}),encoding="utf-8")
req = urllib.request.Request(url=url,data=data,headers=headers,method="POST")
response = urllib.request.urlopen(req)
print(response.read().decode('utf-8'))
'''
url = "http://www.douban.com"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36 Edg/93.0.961.38"
}
req = urllib.request.Request(url=url,headers=headers)
response = urllib.request.urlopen(req)
print(response.read().decode("utf-8"))
# -*- coding: utf-8 -*-
# @Time : 2021/9/7 21:04
# @Author : 李新宇
# @FileName: testBs4.py
# @Software: PyCharm
import re
from bs4 import BeautifulSoup
file = open("./baidu.html","rb")
html = file.read().decode("utf-8")
bs = BeautifulSoup(html,"html.parser")
#print(bs.title)
#print(bs.a)
#print(type(bs.head))
#1.tag 标签及其内容:拿到他所找到的第一个内容
'''
print(bs.title.string)
print(type(bs.title.string))
#NavigableString 标签里的内容(字符串)
'''
#print(bs.a.attrs)
#attrs属性
#print(type(bs))
#3.BeautifulSoup: 表示整个文档
#print(bs)
#
# print(bs.a.string)
# print(type(bs.a.string))
#4.commment 是一个特殊的NavigableString ,输出的内容不包含注释符号
#---------------------------------
#文档的遍历
#print(bs.head.contents)
#print(bs.head.contents[1])
#更多内容,搜索文档
#文档的搜索
#find_all()
#字符串过滤:会查找与字符串完全匹配的内容
#t_list = bs.find_all("a")
import re
#正则表达式搜索:使用serach()方法来匹配内容
#t_list = bs.find_all(re.compile("a"))
#方法 :传入一个函数(方法),根据函数的方法要求来搜索(了解)
'''
def name_is_exists(tag):
return tag.has_attr("name")
t_list = bs.find_all(name_is_exists)
for item in t_list:
print(item)
#print(t_list)
'''
#2.kwargs 参数
#t_list = bs.find_all(id="head")
# t_list = bs.find_all(class_="True")
#
# for item in t_list:
# print(item)
#3.text文本
# t_list = bs.find_all(text="hao123")
#t_list = bs.find_all(text=["hao123","地图","贴吧"])
#t_list = bs.find_all(text=re.compile("\d")) #应用正则表达式来查找包含特定文本的内容(标签里的字符串)
#4.limit参数
# t_list = bs.find_all("a",limit=3)
#
# for item in t_list:
# print(item)
#
#4.css选择器
#t_list = bs.select("title") #通过标签来查找
#t_list = bs.select(".mnav") #通过类名来查找
#t_list = bs.select("#u1") #通过id来查找
#t_list = bs.select("a[class='bri']") #通过属性来查找
#t_list = bs.select("head > title") #通过子标签来查找
# t_list = bs.select(".mnav ~ .bri")
# print(t_list[0].get_text())
# for item in t_list:
# print(item)
# -*- coding: utf-8 -*-
# @Time : 2021/9/8 16:05
# @Author : 李新宇
# @FileName: testre.py
# @Software: PyCharm
#正则表达式: 字符串模式 (判断字符串是否符合一定的标准)
import re
#创建模式对象
pat = re.compile("AA") #此处的aa是正则表达式,用来验证其他的字符串
#m = pat.search("BBBBCCAA") #search后字符串被检验的内容
#m = pat.search("BBAABBCCAA") #search方法进行查找,比对
#没有模式对象
# m = re.search("asd","asdd") #前面的字符串是规则(模板),后面的字符串是被校验的对象
# print(m)
#print(re.findall("a","asdaddddaa")) #前面字符串是规则(正则表达式),后面字符串是被校验的字符串
#print(re.findall("[a-z]","AAasdaddddaa"))
#print(re.findall("[a-z]+","AAsAdadddAAdaa"))
#sub
print(re.sub("a","A","abcdcasd")) #找到a用A替换,在第三个字符串中查找,substitute
#建议在正则表达式中,被比较的字符串前面加上r,不用担心转义字符的问题
a = r"\aabd-\'"
print(a)
# -*- coding: utf-8 -*-
# @Time : 2021/9/9 16:18
# @Author : 李新宇
# @FileName: testsqlite.py
# @Software: PyCharm
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
def main():
baseurl = "https://movie.douban.com/top250?start="
# 1.爬取网页
datalist = getData(baseurl)
savepath = "豆瓣电影Top250.xls"
# 3.保存数据
saveData(datalist,savepath)
# askURL("https://movie.douban.com/top250?start=")
# 影片详情链接的规则
findLink = re.compile(r'<a href="(.*?)">') # 创建正则表达式对象,表示规则(字符串的模式)
# 影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) # re.S 让换行符包含在字符中
# 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>')
# 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>')
# 找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)
# 爬取网页
def getData(baseurl):
datalist = []
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,形成列表
# print(item) #测试:查看电影item全部信息
data = [] # 保存一部电影的所有信息
item = str(item)
# 影片详情的链接
link = re.findall(findLink, item)[0] # re库用来通过正则表达式查找指定的字符串
data.append(link) # 添加链接
imgSrc = re.findall(findImgSrc, item)[0]
data.append(imgSrc) # 添加图片
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] # 添加中文名
data.append(ctitle)
otitle = titles[1].replace("/", "") # 去掉无关的符号
data.append(otitle) # 添加外国名
else:
data.append(titles[0])
data.append(' ') # 外国名字留空
rating = re.findall(findRating, item)[0]
data.append(rating) # 添加评分
judgeNum = re.findall(findJudge, item)[0]
data.append(judgeNum) # 提加评价人数
inq = re.findall(findInq, item)
if len(inq) != 0:
inq = inq[0].replace("。", "") # 去掉句号
data.append(inq) # 添加概述
else:
data.append(" ") # 留空
bd = re.findall(findBd, item)[0]
bd = re.sub('<br(\s+)?/>(\s+)?', " ", bd) # 去掉<br/>
bd = re.sub('/', " ", bd) # 替换/
data.append(bd.strip()) # 去掉前后的空格
datalist.append(data) # 把处理好的一部电影信息放入datalist
#print(datalist)
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")
# print(html)
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
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))
data = datalist[i]
for j in range(0, 8):
sheet.write(i + 1, j, data[j]) # 数据
book.save(savepath) # 保存
if __name__ == "__main__": # 当程序执行时
# 调用函数
main()
print("爬取完毕!")