一、准备工作
- 安装python。
- 安装jupyter库,按window+R,会弹出一个方框,输入cmd会弹出窗口,输入pip install jupyter,安装jupyter库。
- 安装好jupyter后,建一个文件夹,在文件夹路径那里输入cmd,会出现一个窗口了,再直接输入jupyter notebook,按回车,便可直接进入jupyter的网络编辑页面。
如图:
出现此界面后便会自动跳转到jupyter的网络编辑页面,如图:
在此页面后,点击右上角的New,选择Python3,会新建一个网页编辑器。
二、开始分析网页
(1)URL链接分析网页
第一页: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=
第五页:https://movie.douban.com/top250?start=100&filter=
以上为豆瓣电影top250的前五个网页链接,由上我们可以看出黄色标记出来的部分是它们的不同,并且是有规律的,0,、25、50、75、100,所以可以推出后五页的链接。
例如:第九页的链接为:https://movie.douban.com/top250?start=200&filter=
(2)用for循环分析
结果如下:
(3)用函数表示出URL链接
将start=0改为start=%s,后面的%page表示将page函数中的数值范围赋予给s,即可得出十个网页的链接。点击第五个链接,就到top250 中的第五页,与之前得到的链接相同。
三、爬取网页
(1)安装requests库
进行这步操作需要安装requests库,按window+R,会弹出一个方框,输入cmd会弹出窗口,输入pip install requests,安装requests库。
以请求第一页为例如图:
(2)在网页上对代码进行审查
在空白处点击右键,进入检查,点击network,点击all,在对网页进行刷新,就会出现网页的组成,如图片、文字、文件等。
如图:
(3)请求源代码(HTML),向服务器发出请求
(4)伪装浏览器
首先,将代码审查中的user-agent复制过来,将其构成一个字典。
如图: