python爬取数据练习（一）

最新推荐文章于 2024-04-30 13:19:06 发布

think_ma

最新推荐文章于 2024-04-30 13:19:06 发布

阅读量6.1k

点赞数 1

分类专栏： Python

本文链接：https://blog.csdn.net/think_ma/article/details/78899330

版权

Python 专栏收录该内容

4 篇文章 1 订阅

订阅专栏

最近用python练习了一个爬虫，爬取豆瓣的分数电影，在爬去过程中遇到了很多问题，这里记录一下。

网络请求我用的urllib3，

解析网页我分别用了BeautifulSoup和lxml，使用下来感觉BeautifulSoup是比lxml慢很多。在使用BeautifulSoup的时候感觉很容易上手，lxml在使用的时候遇到点问题，语法熟悉后会发现比BeautifulSoup 方便很多。BeautifulSoup由于是纯python写的所以比用C语言写的lxml 性能要弱很多。同样的300条数据 BeautifulSoup 需要17s左右，lxml需要9s，当然这个和电脑性能和数据处理会有点影响。

我先用BeautifulSoup并保存在Excel中

1.下载Url：

def download(url):

    ssl._create_default_https_context = ssl._create_unverified_context
    urllib3.disable_warnings(InsecureRequestWarning)
    http = urllib3.PoolManager();
    ip = ['121.34.156.197', '175.31.128.78', '124.219.217.120'];
    headers = {
        'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64)'r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
        'Referer': r'https://www.douban.com/doulist/240962/?start=50&sort=seq&sub_type=',
        'Connection': 'keep-alive',
        'X-Forwarded-For': ip[2]
    }
    r = http.request("GET",url,headers=headers);
    return r.data.decode('utf-8')

下载后用BeautifulSoup 解析

def BeautifulSouplist(html):
    soup = BeautifulSoup(html, "lxml")
    print(html);
    s = soup.find_all("div", "bd doulist-subject")#获得所有的
    if s == []:
        print(page)
        return None;
    else:
        print(len(s))
        sz = len(s)
        for j in range(1, sz + 1):
            sp = BeautifulSoup(str(s[j - 1]), "html.parser")
            movie = [];
            # print("========")
            # print(sp)
            # print("========")
            imageurl = sp.img['src']  # 电影的封面
            bookUrl = sp.a['href']  # 电影的详细链接地址
            bookName = "";  # 电影的名字
            pingfen = "";  # 电影的评分
            movieYear = "";  # 电影的年份
            actors = "";
            books = sp.find_all("div", "title");#div的class是"title"的标签，返回的是数组。
            for book in books:
                bookName = book.a.string.strip()  #strip()，默认删除空白符（包括'\n', '\r',  '\t',  ' ')            
            infos = sp.div.find_all("span")
            # print(infos[1].string)
            pingfen = infos[1].string;
            # print((infos[2].string))
            abss = sp.find_all("div", "abstract");
            tag_soup = sp.find(class_="abstract")
            arr = tag_soup.contents;
            # print(arr);
            k = 0;
            for string in arr:
                ss = str(string).strip();
                if not (ss == "<br/>"):
                    # print(ss)
                    if k == 1:
                        actors = ss;
                    if k == 4:
                        movieYear = ss;
                    k = k + 1;
            # print("=============")
            # print(imageurl)
            # print(bookUrl)
            # print(str(bookName))
            # print(str(movieYear))
            # print(pingfen)
            # print("=============")
            movie.append(bookName);
            movie.append(actors);
            movie.append(movieYear);
            movie.append(pingfen);
            movie.append(bookUrl);
            movie.append(imageurl);
            # print(movie)
            result.append(movie);
        pass;

    return 1;

保存在Excel中。

Excel写入的框架我用的xlsxwriter这个框架

def saveExecl(resultData,titleList,bookName):
    workbook = xlsxwriter.Workbook(bookName + '.xlsx');#创建一个Excel文件
    worksheet = workbook.add_worksheet('bookName') #增加一个表单
    resultData.insert(0,titleList);
    row = len(resultData);    #行数
    col = len(titleList); #列数
    i = -1;
# 写入数据
 for tag_nameArr in resultData:
        i = i+1;
        ks = 0;
        #print(tag_nameArr)
        for data in tag_nameArr:
            #print(data)
            worksheet.write(i,ks,str(data));
            ks= ks + 1;
    workbook.close()