Python爬蟲超詳細(xì)講解，零基礎(chǔ)入門，老年人都看得懂
講解我們的爬蟲之前，先概述關(guān)于爬蟲的簡單概念(畢竟是零基礎(chǔ)教程)
爬蟲
網(wǎng)絡(luò)爬蟲(又被稱為網(wǎng)頁蜘蛛，網(wǎng)絡(luò)機器人)就是模擬瀏覽器發(fā)送網(wǎng)絡(luò)請求，接收請求響應(yīng)，一種按照一定的規(guī)則，自動地抓取互聯(lián)網(wǎng)信息的程序。
原則上,只要是瀏覽器(客戶端)能做的事情，爬蟲都能夠做。
為什么我們要使用爬蟲
互聯(lián)網(wǎng)大數(shù)據(jù)時代，給予我們生活的便利以及海量數(shù)據(jù)爆炸式地出現(xiàn)在網(wǎng)絡(luò)中。
過去，我們通過書籍、報紙、電視、廣播或許信息，這些信息數(shù)量有限，且是經(jīng)過一定的篩選，信息相對而言比較有效，但是缺點則是信息面太過于狹窄了。不對稱的信息傳導(dǎo)，以致于我們視野受限，無法了解到更多的信息和知識。
互聯(lián)網(wǎng)大數(shù)據(jù)時代，我們突然間，信息獲取自由了，我們得到了海量的信息，但是大多數(shù)都是無效的垃圾信息。
例如新浪微博，一天產(chǎn)生數(shù)億條的狀態(tài)更新，而在百度搜索引擎中，隨意搜一條——減肥100,000,000條信息。
在如此海量的信息碎片中，我們?nèi)绾潍@取對自己有用的信息呢?
答案是篩選!
通過某項技術(shù)將相關(guān)的內(nèi)容收集起來，在分析刪選才能得到我們真正需要的信息。
這個信息收集分析整合的工作，可應(yīng)用的范疇非常的廣泛，無論是生活服務(wù)、出行旅行、金融投資、各類制造業(yè)的產(chǎn)品市場需求等等……都能夠借助這個技術(shù)獲取更精準(zhǔn)有效的信息加以利用。
網(wǎng)絡(luò)爬蟲技術(shù)，雖說有個詭異的名字，讓能第一反應(yīng)是那種軟軟的蠕動的生物，但它卻是一個可以在虛擬世界里，無往不前的利器。
爬蟲準(zhǔn)備工作
我們平時都說Python爬蟲，其實這里可能有個誤解，爬蟲并不是Python獨有的，可以做爬蟲的語言有很多例如：PHP,JAVA,C#,C++,Python，選擇Python做爬蟲是因為Python相對來說比較簡單，而且功能比較齊全。
首先我們需要下載python，我下載的是官方最新的版本 3.8.3
其次我們需要一個運行Python的環(huán)境，我用的是pychram
也可以從官方下載，
我們還需要一些庫來支持爬蟲的運行(有些庫Python可能自帶了)
差不多就是這幾個庫了，良心的我已經(jīng)在后面寫好注釋了
(爬蟲運行過程中，不一定就只需要上面幾個庫，看你爬蟲的一個具體寫法了，反正需要庫的話我們可以直接在setting里面安裝)
爬蟲項目講解
我做的是爬取豆瓣評分電影Top250的爬蟲代碼
我們要爬取的就是這個網(wǎng)站：
https://movie.douban.com/top250
這邊我已經(jīng)爬取完畢，給大家看下效果圖，我是將爬取到的內(nèi)容存到xls中
我們的爬取的內(nèi)容是：電影詳情鏈接，圖片鏈接，影片中文名，影片外國名，評分，評價數(shù)，概況，相關(guān)信息。
代碼分析
先把代碼發(fā)放上來，然后我再根據(jù)代碼逐步解析
- # -*- codeing = utf-8 -*-
- from bs4 import BeautifulSoup # 網(wǎng)頁解析，獲取數(shù)據(jù)
- import re # 正則表達(dá)式，進(jìn)行文字匹配`
- import urllib.request, urllib.error # 制定URL，獲取網(wǎng)頁數(shù)據(jù)
- import xlwt # 進(jìn)行excel操作
- #import sqlite3 # 進(jìn)行SQLite數(shù)據(jù)庫操作
- findLink = re.compile(r'<a href="(.*?)">') # 創(chuàng)建正則表達(dá)式對象，標(biāo)售規(guī)則 影片詳情鏈接的規(guī)則
- findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
- findTitle = re.compile(r'<span class="title">(.*)</span>')
- findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
- findJudge = re.compile(r'<span>(\d*)人評價</span>')
- findInq = re.compile(r'<span class="inq">(.*)</span>')
- findBd = re.compile(r'<p class="">(.*?)</p>', re.S)
- def main():
- baseurl = "https://movie.douban.com/top250?start=" #要爬取的網(wǎng)頁鏈接
- # 1.爬取網(wǎng)頁
- datalist = getData(baseurl)
- savepath = "豆瓣電影Top250.xls" #當(dāng)前目錄新建XLS，存儲進(jìn)去
- # dbpath = "movie.db" #當(dāng)前目錄新建數(shù)據(jù)庫，存儲進(jìn)去
- # 3.保存數(shù)據(jù)
- saveData(datalist,savepath) #2種存儲方式可以只選擇一種
- # saveData2DB(datalist,dbpath)
- # 爬取網(wǎng)頁
- def getData(baseurl):
- datalist = [] #用來存儲爬取的網(wǎng)頁信息
- for i in range(0, 10): # 調(diào)用獲取頁面信息的函數(shù)，10次
- url = baseurl + str(i * 25)
- html = askURL(url) # 保存獲取到的網(wǎng)頁源碼
- # 2.逐一解析數(shù)據(jù)
- soup = BeautifulSoup(html, "html.parser")
- for item in soup.find_all('div', class_="item"): # 查找符合要求的字符串
- data = [] # 保存一部電影所有信息
- item = str(item)
- link = re.findall(findLink, item)[0] # 通過正則表達(dá)式查找
- data.append(link)
- imgSrc = re.findall(findImgSrc, item)[0]
- data.append(imgSrc)
- titles = re.findall(findTitle, item)
- if (len(titles) == 2):
- ctitle = titles[0]
- data.append(ctitle)
- otitle = titles[1].replace("/", "") #消除轉(zhuǎn)義字符
- data.append(otitle)
- else:
- data.append(titles[0])
- data.append(' ')
- rating = re.findall(findRating, item)[0]
- data.append(rating)
- judgeNum = re.findall(findJudge, item)[0]
- data.append(judgeNum)
- inq = re.findall(findInq, item)
- if len(inq) != 0:
- inq = inq[0].replace("。", "")
- data.append(inq)
- else:
- data.append(" ")
- bd = re.findall(findBd, item)[0]
- bd = re.sub('<br(\s+)?/>(\s+)?', "", bd)
- bd = re.sub('/', "", bd)
- data.append(bd.strip())
- datalist.append(data)
- return datalist
- # 得到指定一個URL的網(wǎng)頁內(nèi)容
- def askURL(url):
- head = { # 模擬瀏覽器頭部信息，向豆瓣服務(wù)器發(fā)送消息
- "User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122 Safari / 537.36"
- }
- # 用戶代理，表示告訴豆瓣服務(wù)器，我們是什么類型的機器、瀏覽器（本質(zhì)上是告訴瀏覽器，我們可以接收什么水平的文件內(nèi)容）
- request = urllib.request.Request(url, headers=head)
- html = ""
- try:
- response = urllib.request.urlopen(request)
- html = response.read().decode("utf-8")
- except urllib.error.URLError as e:
- if hasattr(e, "code"):
- print(e.code)
- if hasattr(e, "reason"):
- print(e.reason)
- return html
- # 保存數(shù)據(jù)到表格
- def saveData(datalist,savepath):
- print("save.......")
- book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創(chuàng)建workbook對象
- sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)建工作表
- col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國名","評分","評價數(shù)","概況","相關(guān)信息")
- for i in range(0,8):
- sheet.write(0,i,col[i]) #列名
- for i in range(0,250):
- # print("第%d條" %(i+1)) #輸出語句，用來測試
- data = datalist[i]
- for j in range(0,8):
- sheet.write(i+1,j,data[j]) #數(shù)據(jù)
- book.save(savepath) #保存
- # def saveData2DB(datalist,dbpath):
- # init_db(dbpath)
- # conn = sqlite3.connect(dbpath)
- # cur = conn.cursor()
- # for data in datalist:
- # for index in range(len(data)):
- # if index == 4 or index == 5:
- # continue
- # data[index] = '"'+data[index]+'"'
- # sql = '''
- # insert into movie250(
- # info_link,pic_link,cname,ename,score,rated,instroduction,info)
- # values (%s)'''%",".join(data)
- # # print(sql) #輸出查詢語句，用來測試
- # cur.execute(sql)
- # conn.commit()
- # cur.close
- # conn.close()
- # def init_db(dbpath):
- # sql = '''
- # create table movie250(
- # id integer primary key autoincrement,
- # info_link text,
- # pic_link text,
- # cname varchar,
- # ename varchar ,
- # score numeric,
- # rated numeric,
- # instroduction text,
- # info text
- # )
- #
- #
- # ''' #創(chuàng)建數(shù)據(jù)表
- # conn = sqlite3.connect(dbpath)
- # cursor = conn.cursor()
- # cursor.execute(sql)
- # conn.commit()
- # conn.close()
- # 保存數(shù)據(jù)到數(shù)據(jù)庫
- if __name__ == "__main__": # 當(dāng)程序執(zhí)行時
- # 調(diào)用函數(shù)
- main()
- # init_db("movietest.db")
- print("爬取完畢！")
下面我根據(jù)代碼，從上到下給大家講解分析一遍
-- codeing = utf-8 --，開頭的這個是設(shè)置編碼為utf-8 ，寫在開頭，防止亂碼。
然后下面 import就是導(dǎo)入一些庫，做做準(zhǔn)備工作，(sqlite3這庫我并沒有用到所以我注釋起來了)。
下面一些find開頭的是正則表達(dá)式，是用來我們篩選信息的。
(正則表達(dá)式用到 re 庫克，也可以不用正則表達(dá)式，不是必須的。)
大體流程分三步走：
1. 爬取網(wǎng)頁
2.逐一解析數(shù)據(jù)
3. 保存網(wǎng)頁
先分析流程1，爬取網(wǎng)頁，baseurl 就是我們要爬蟲的網(wǎng)頁網(wǎng)址，往下走，調(diào)用了 getData(baseurl) ,
我們來看 getData方法
- for i in range(0, 10): # 調(diào)用獲取頁面信息的函數(shù)，10次
- url = baseurl + str(i * 25)
這段時間大家可能看不懂，其實是這樣的：
因為電影評分Top250，每個頁面只顯示25個，所以我們需要訪問頁面10次，25*10=250。
- baseurl = "https://movie.douban.com/top250?start="
我們只要在baseurl后面加上數(shù)字就會跳到相應(yīng)頁面，比如i=1時
- https://movie.douban.com/top250?start=25
我放上超鏈接，大家可以點擊看看會跳到哪個頁面，畢竟實踐出真知。
然后又調(diào)用了askURL來請求網(wǎng)頁，這個方法是請求網(wǎng)頁的主體方法，
怕大家翻頁麻煩，我再把代碼復(fù)制一遍，讓大家有個直觀的感受
- def askURL(url):
- head = { # 模擬瀏覽器頭部信息，向豆瓣服務(wù)器發(fā)送消息
- "User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122 Safari / 537.36"
- }
- # 用戶代理，表示告訴豆瓣服務(wù)器，我們是什么類型的機器、瀏覽器（本質(zhì)上是告訴瀏覽器，我們可以接收什么水平的文件內(nèi)容）
- request = urllib.request.Request(url, headers=head)
- html = ""
- try:
- response = urllib.request.urlopen(request)
- html = response.read().decode("utf-8")
- except urllib.error.URLError as e:
- if hasattr(e, "code"):
- print(e.code)
- if hasattr(e, "reason"):
- print(e.reason)
- return html
這個askURL就是用來向網(wǎng)頁發(fā)送請求用的，那么這里就有老鐵問了，為什么這里要寫個head呢?
這是因為我們要是不寫的話，訪問某些網(wǎng)站的時候會被認(rèn)出來爬蟲，顯示錯誤，錯誤代碼
418
這是一個梗大家可以百度一下，
- 418 I’m a teapot
- The HTTP 418 I’m a teapot client error response code indicates that
- the server refuses to brew coffee because it is a teapot. This error
- is a reference to Hyper Text Coffee Pot Control Protocol which was an
- April Fools’ joke in 1998.
我是一個茶壺
所以我們需要 “裝” ，裝成我們就是一個瀏覽器，這樣就不會被認(rèn)出來，
偽裝一個身份。
來，我們繼續(xù)往下走，
- html = response.read().decode("utf-8")
這段就是我們讀取網(wǎng)頁的內(nèi)容，設(shè)置編碼為utf-8，目的就是為了防止亂碼。
訪問成功后，來到了第二個流程：
2.逐一解析數(shù)據(jù)
解析數(shù)據(jù)這里我們用到了 BeautifulSoup(靚湯) 這個庫，這個庫是幾乎是做爬蟲必備的庫，無論你是什么寫法。
下面就開始查找符合我們要求的數(shù)據(jù)，用BeautifulSoup的方法以及 re 庫的
正則表達(dá)式去匹配，
- findLink = re.compile(r'<a href="(.*?)">') # 創(chuàng)建正則表達(dá)式對象，標(biāo)售規(guī)則 影片詳情鏈接的規(guī)則
- findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
- findTitle = re.compile(r'<span class="title">(.*)</span>')
- findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
- findJudge = re.compile(r'<span>(\d*)人評價</span>')
- findInq = re.compile(r'<span class="inq">(.*)</span>')
- findBd = re.compile(r'<p class="">(.*?)</p>', re.S)
匹配到符合我們要求的數(shù)據(jù)，然后存進(jìn) dataList ， 所以 dataList 里就存放著我們需要的數(shù)據(jù)了。
最后一個流程：
3.保存數(shù)據(jù)
- # 3.保存數(shù)據(jù)
- saveData(datalist,savepath) #2種存儲方式可以只選擇一種
- # saveData2DB(datalist,dbpath)
保存數(shù)據(jù)可以選擇保存到 xls 表， 需要(xlwt庫支持)
也可以選擇保存數(shù)據(jù)到 sqlite數(shù)據(jù)庫， 需要(sqlite3庫支持)
這里我選擇保存到 xls 表 ，這也是為什么我注釋了一大堆代碼，注釋的部分就是保存到 sqlite 數(shù)據(jù)庫的代碼，二者選一就行
保存到 xls 的主體方法是 saveData (下面的saveData2DB方法是保存到sqlite數(shù)據(jù)庫)：
- def saveData(datalist,savepath):
- print("save.......")
- book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創(chuàng)建workbook對象
- sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)建工作表
- col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國名","評分","評價數(shù)","概況","相關(guān)信息")
- for i in range(0,8):
- sheet.write(0,i,col[i]) #列名
- for i in range(0,250):
- # print("第%d條" %(i+1)) #輸出語句，用來測試
- data = datalist[i]
- for j in range(0,8):
- sheet.write(i+1,j,data[j]) #數(shù)據(jù)
- book.save(savepath) #保存
創(chuàng)建工作表，創(chuàng)列(會在當(dāng)前目錄下創(chuàng)建)，
- sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)建工作表
- col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國名","評分","評價數(shù)","概況","相關(guān)信息")
然后把 dataList里的數(shù)據(jù)一條條存進(jìn)去就行。
最后運作成功后，會在左側(cè)生成這么一個文件
打開之后看看是不是我們想要的結(jié)果
成了，成了!
如果我們需要以數(shù)據(jù)庫方式存儲，可以先生成 xls 文件，再把 xls 文件導(dǎo)入數(shù)據(jù)庫中，就可以啦
本篇文章講解到這里啦，我感覺我講的還算細(xì)致吧，爬蟲我也是最近才可以學(xué) 。
