第一课《爬取豆瓣TOP250》
1.准备工作
(1)安装python,并安装jupyter库,便于使用jupyter notebook编辑页面
(2)安装python,可能需要配置环境变量,win10配置环境变量时,直接加一条新的路径
(3)安装好jupyter后,进入时先用命令进入jupyter库所在目录,再直接输入jupyter notebook,便可直接进入jupyter的网络编辑页面
例如:
cd
#进入jupyter库所在c盘
cd 目录
#进入jupyter库所在目录
再输入jupyter notebook
结果如下:
出现此界面后便会自动跳转到jupyter的网络编辑页面,如下:
2.开始爬取网页
(1)分析网页
分析URL链接:
第一页:https://movie.douban.com/top250 或 https://movie.douban.com/top250?start=0&filter=
第二页:https://movie.douban.com/top250?start=25&filter=
第三页:https://movie.douban.com/top250?start=50&filter=
第四页:https://movie.douban.com/top250?start=75&filter=
分析结果:从此可以看出,一至四页的URL链接是有规律 的,star=的后面,每个链接之间相差数字25
此时直接看第十页:
第十页URL为:
https://movie.douban.com /top250?start=225&filter=
再看第一页的链接为:
https://movie.douban.com/top250?start=0&filter=
仍然符合以上分析结果
(2)用for循环表示这个分析结果
结果如下:
(3)用page函数表示这10页的url链接
将函数改为:
for page in range(0, 226, 25):
url=‘https://movie.douban.com/top250?start=%s&filter=’%page
将start=0改为start=%s,后面跟的%page表示将page函数中的数 值范围赋予给s,即可一次性构造出十个网页的链接
运行结果如下:
此时可随便点击一个链接进去,如点击start=75的链接进去,便进到top250 的第四页,而根据前面的分析,这个链接确实是第四页
3.正式爬取网页
(1)请求网页源代码,即html
实现这个目的,需要在python中安装request库,命令为pip install requests
以请求第一页为例:
test_url='https://movie.douban.com/top250?start=0&filter='
此处的单引号也可以写成双引号,目的都是为了把括号内的内容变为字符串
(2)到top250上对代码进行审查
右击进入检查元素,点击网络(network),再点击所有(All)
对该网页进行刷新,下方会出现网页的组成元素,例如图片等
(3)请求网址以及请求方法
按上一步操作后,点击下图中的第一页的链接,再点击右边的消息头,可看到请求网址以及请求方法
(4)开始请求网页
test_url=’ https://movie.douban.com/top250?start=0&filter=’
requests.get(url= test_url)
requests表示库名,.get表示请求方法(网页中看到的是get),括号中的内容为第一页的链接
结果如下:
结果显示为418,浏览器识别出这个语句是爬虫程序,故拒绝返回值给我们
若改为
test_url=’ https://movie.douban.com/top250?start=0&filter=’
requests.get(url= test_url).text
同样返回不了值
(5)伪装浏览器
将程序伪装成正常的用户访问,躲过浏览器的识别,以便成功获取数据
首先,将代码审查中的用户代理复制过来,并将其够造成一个字典
用户代理为:
User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0
(6)代码表示
test_url=’ https://movie.douban.com/top250?start=0&filter=’
#设置浏览器代理,构造字典:
‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0’
#字典的构造方法:’a‘:‘b’
将字典放入括号内
requests.get(url= test_url, headers=headers).text
(代码后加.text便会返回全部内容,不加的话只返回总行数)
结果如下:
还可将
requests.get(url= test_url, headers=headers).text
的内容赋给一个值
例如:
reponse= requests.get(url= test_url, headers=headers).text
此时再运行,没有显示,但是如果将它单独拿到下一行可以运行出内容,
运行结果如下:
运行出来的结果双击可隐藏
也可执行单独在一行print(reponse)
来输出内容,输出的内容格式是排列好的
4信息的筛选
可供选择的分析工具有:
xpath
(重点介绍)
re(正则)
算法较复杂,xpath
解决不了时考虑用这个,下面也会提到
BeautifulSoup,即BS4
(1) 安装lxml库
安装命令pip install lxml