无框架的爬虫基础

爬虫过程

  1. 向目标网站url ,
  2. 发起请求httprequest,服务器提供响应封装在httpresponse (requests,urllib)
  3. 响应有二进制,html,json
  4. 目标提取 html(css,标签,数据,js),二进制(保存 jpg,MP4),json(字符串和python数据类型转换) (beautifulsoup、lxml、pyquery)
  5. 保存(文件、数据库)

```python
url='https://movie.douban.com/top250'#起始url

import requests
from bs4 import BeautifulSoup

response=requests.get(url)
print(response)```

在这里插入图片描述查看请求头的user-agent
在这里插入图片描述在自己的爬虫中声明user-agent

**

发起请求

**

headers={
    'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Mobile Safari/537.36'
}
response=requests.get(url,headers=headers)
print(response)

**

目标提取

**

html=response.text

分析出所要提取的信息在html中的位置

#beautifulsoup根据html标签进行定位,用parser解释器解析html
mysoup=BeautifulSoup(html,'html.parser')

在这里插入图片述找到ol

movie_olmysoup.find('ol,class='grid_view')

找到所有的li

movie_list=movie_ol.find_all('li')

在每一个li中找电影的名字

for movie in movie_list:
    title=movie.find('span',class_='title').get_text()
    print(title)

得分同理

根据每一页规律得到十页的url,爬取十页

url = 'https://movie.douban.com/top250?start=%d&filter=' % (i * 25)

总体代码

import requests
from bs4 import BeautifulSoup


def getdata(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Mobile Safari/537.36'
    }
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
        print('got the data')
        return response.text
    else:
        print('fail to get the data')


def parserdata(html):
    movies = []
    mysoup = BeautifulSoup(html, 'html.parser')
    movie_ol = mysoup.find('ol', class_='grid_view')
    movie_list = movie_ol.find_all_next('li')
    for movie_li in movie_list:
        title = movie_li.find('span', class_='title').get_text()
        score= movie_li.find('span',class_='rating_num').get_text()
        print(title,score)
        movies.append(title+' '+score)
    return movies


def savedata(movie_list):
    with open('豆瓣电影top250.txt', 'a') as f:
        for movie in movie_list:
            f.write(movie + '\n')
    print('saved!')


if __name__ == '__main__':
    for i in range(10):
        url = 'https://movie.douban.com/top250?start=%d&filter=' % (i * 25)
        html = getdata(url)
        movie_list=parserdata(html)
        savedata(movie_list)
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值