python小白学习静态爬取豆瓣随笔-CSDN博客

本文链接：https://blog.csdn.net/weixin_45752683/article/details/119155149

文章目录

前言
一、制作爬虫程序前需要掌握的知识
二、制作爬虫程序的顺序
三、开始操作
总结

前言

本实例采用pycharm编辑器，引用requests库进行爬取数据，bs4库进行数据分析。

一、制作爬虫程序前需要掌握的知识

网络爬虫，又称网络蜘蛛(WebSpider)，非常形象的把互联网想象成类似于蜘蛛网的构造，爬虫便可以在网上爬动，以获取资源。
任何爬虫程序都需要有url，即我们平常所说的网址，url的一般形式为（带方括号[ ]的为可选项）:

protocol : // hostname [:port] / path / [;parameters] [?query] #fragment

URL由三部分组成：

(1)协议，常见的有http、https、ftp、file(访问本地文件夹)、ed2k(电驴的专用链接)等。
(2)存放资源的服务器的域名系统(DNS)主机名或IP地址(有时候也要包含端口号，各种传输协议都有端口号，如http的默认端口为80)。
(3)主机资源的具体地址，如目录和文件名等。

第一部分和第二部分用“: //”符号隔开，第二部分和第三部分用“/”符号隔开。第一部分和第二部分是不可缺少的，第三部分有时候可以省略。

二、制作爬虫程序的顺序

1.判断网页是否含有反爬机制
2.先爬取整个网页的内容
3.提取想要的内容
4.保存到本地

三、开始操作

1.判断是否设置反爬机制

代码如下：

import requests

url = 'https://movie.douban.com/top250'
r = requests.get(url)

print(r.status_code)

该处使用的url为豆瓣top250部电影的网址。若程序最后输出的结果为200，则网页无反爬机制；若输出结果为418则网页设置了反爬机制。

如图，程序运行返回418，证明该网页设置了反爬机制。

2.使用requests爬取网址信息

由于豆瓣top250的网页，一页只显示25部电影，因此我们需要遍历10页才能将电影信息爬完。通过观察各个页面的url，我们发现可以添加一个循环进行自动的翻页，以方便我们进行爬取。代码如下：

import requests

host = 'https://movie.douban.com/top250'
def get_movies():
    for i in range(0,10):          #添加循环，以翻页
        url = host + '/?start=' + str(i * 25)
        r = requests.get(url)
        print(r.text)

get_movies()

且此代码只支持未添加反爬机制的网页，如若用于含有反爬机制的网页输出结果为空。

3.针对反爬机制给代码上“身份证”

requests.get()函数的完整参数为requests.get（url，params，headers，cookies，auth，timeout）这里我们可以通过获取网页的headers，并使用该headers进行爬取，相当于给代码拿了别人的“身份证”。
要获取许可的headers，首先要在浏览器对应网页中查看网页源代码（大部分浏览器都是F12键），并且选择Network一栏，会出现如下图反应：
此时刷新当前页面（F5），浏览器便会自动追踪加载的网页项目，呈现在Network一栏上
然后找到do.js文件找到Headers栏中Request Headers下面的User-Agent将其内容复制到我们代码中

import requests

host = 'https://movie.douban.com/top250'
def get_movies():
    headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36'
    }
    for i in range(0,10):
        url = host + '/?start=' + str(i * 25)
        r = requests.get(url, headers=headers)
        print(str(i+1), "页响应状态码：", r.status_code)
get_movies()

如图所示，此时的响应状态码为200，即网页有响应。

4.使用bs4进行数据处理

如若不将数据进行处理直接打印r.text，则将打印网页源码，将如下所示：

因此我们使用BeautifulSoup4模块来解析网页内容，此处示范使用r.text变量返回的参数来进行归类分析

import bs4
soup = bs4.BeautifulSoup(r.text, "html.parser")
targets = soup.find_all("div", class_="hd")
for each in targets:
	print(each.a.span.text)

结果输出为：

这些数据bs4是怎么整理的到的呢？
观察图6的网页源码，我们可以得知每部电影的标题都位于

<div class="hd">...</div>

当中，且从属关系为：div->a->span
因此我们调用find_all()函数找到所有class="hd"的div标签，然后按照从属关系可以直接取出电影名。

5.保存到本地

使用文件的写入的方法，使其创建一个新文档并写入数据

with open("豆瓣TOP250电影.txt","w",encoding="utf-8") as f:
        for each in result:
            f.write(each + '\n')

输出结果如图：
在这里插入图片描述

6.总代码

import requests
import bs4
import re   #regular expression 对于后面直接添加的[]进行规范

def open_url(url):
    #使用代理
    #proxies = ("http": "127.0.0.1:1080", "https": "127.0.0.1:1080")
    headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36'}
    #res = requests.get(url, headers=headers, proxies=proxies)
    res = requests.get(url, headers=headers)
    return res


def find_movies(res):
    soup = bs4.BeautifulSoup(res.text, "html.parser")
    movie_list = []
    targets = soup.find_all('div', class_='hd')
    for each in targets:
        movie_list.append(each.a.span.text)
    return movie_list

def find_depth(res):
    soup = bs4.BeautifulSoup(res.text, 'html.parser')
    depth = soup.find('span', class_='next').previous_sibling.previous_sibling.text
    return int(depth)

def main():
    host = "https://movie.douban.com/top250"
    res = open_url(host)
    depth = find_depth(res)

    result = []
    for i in range(depth):
        url = host + '/?start=' + str(i * 25)
        res = open_url(url)
        result.extend(find_movies(res))

    with open("豆瓣TOP250电影.txt","w",encoding="utf-8") as f:
        for each in result:
            f.write(each + '\n')

if __name__ == "__main__":
    main()