Python爬虫超详细讲解(零基础入门,老年人都看得懂)
![头像](http://www.yxskj.cn/wp-content/themes/ceonova-pro/static/images/avatar.png)
先看后赞,养成习惯。点赞收藏,人生辉煌。
更多爬虫、数据分析、全栈开发、人工智能学习资料自取 私信@Python阿执回复关键词【资料】讲解我们的爬虫之前,先概述关于爬虫的简单概念(毕竟是零基础教程)爬虫网络爬虫(又被称为网页蜘蛛,网络机器人)就是模拟浏览器发送网络请求,接收请求响应,一种按照一定的规则,自动地抓取互联网信息的程序。
原则上,只要是浏览器(客户端)能做的事情,爬虫都能够做为什么我们要使用爬虫互联网大数据时代,给予我们的是生活的便利以及海量数据爆炸式地出现在网络中过去,我们通过书籍、报纸、电视、广播或许信息,这些信息数量有限,且是经过一定的筛选,信息相对而言比较有效,但是缺点则是信息面太过于狭窄了。
不对称的信息传导,以致于我们视野受限,无法了解到更多的信息和知识互联网大数据时代,我们突然间,信息获取自由了,我们得到了海量的信息,但是大多数都是无效的垃圾信息例如新浪微博,一天产生数亿条的状态更新,而在百度搜索引擎中,随意搜一条——减肥100,000,000条信息。
在如此海量的信息碎片中,我们如何获取对自己有用的信息呢?答案是筛选!通过某项技术将相关的内容收集起来,在分析删选才能得到我们真正需要的信息这个信息收集分析整合的工作,可应用的范畴非常的广泛,无论是生活服务、出行旅行、金融投资、各类制造业的产品市场需求等等……都能够借助这个技术获取更精准有效的信息加以利用。
网络爬虫技术,虽说有个诡异的名字,让能第一反应是那种软软的蠕动的生物,但它却是一个可以在虚拟世界里,无往不前的利器爬虫准备工作我们平时都说Python爬虫,其实这里可能有个误解,爬虫并不是Python独有的,可以做爬虫的语言有很多例如:PHP,JAVA,C#,C++,Python,选择Python做爬虫是因为Python相对来说比较简单,而且功能比较齐全。
首先我们需要下载python,我下载的是官方最新的版本 3.8.3其次我们需要一个运行Python的环境,我用的是pychram
更多爬虫、数据分析、全栈开发、人工智能学习资料自取 私信@Python阿执回复关键词【资料】也可以从官方下载,我们还需要一些库来支持爬虫的运行(有些库Python可能自带了)
更多爬虫、数据分析、全栈开发、人工智能学习资料自取 私信@Python阿执回复关键词【资料】差不多就是这几个库了,良心的我已经在后面写好注释了
更多爬虫、数据分析、全栈开发、人工智能学习资料自取 私信@Python阿执回复关键词【资料】(爬虫运行过程中,不一定就只需要上面几个库,看你爬虫的一个具体写法了,反正需要库的话我们可以直接在setting里面安装)
爬虫项目讲解我做的是爬取豆瓣评分电影Top250的爬虫代码我们要爬取的就是这个网站:https://movie.douban.com/top250这边我已经爬取完毕,给大家看下效果图,我是将爬取到的内容存到
xls中
更多爬虫、数据分析、全栈开发、人工智能学习资料自取 私信@Python阿执回复关键词【资料】我们的爬取的内容是:电影详情链接,图片链接,影片中文名,影片外国名,评分,评价数,概况,相关信息代码分析先把代码发放上来,然后我根据代码逐步解析
# -*- codeing = utf-8 -*-from bs4 import BeautifulSoup # 网页解析,获取数据import re # 正则表达式,进行文字匹配`import urllib.request, urllib.error
# 制定URL,获取网页数据import xlwt # 进行excel操作#import sqlite3 # 进行SQLite数据库操作 findLink = re.compile(r
) # 创建正则表达式对象,标售规则 影片详情链接的规则 findImgSrc = re.compile(r
r(.*)) findRating = re.compile(r(.*)
) findJudge = re.compile(r(\d*)人评价) findInq = re.compile(r(.*)) findBd = re.compile(
r
(.*?)
, re.S) defmain(): baseurl = “https://movie.douban.com/top250?start=”#要爬取的网页链接# 1.爬取网页 datalist = getData(baseurl) savepath = “豆瓣电影Top250.xls”#当前目录新建XLS,存储进去# dbpath = “movie.db” #当前目录新建数据库,存储进去
# 3.保存数据 saveData(datalist,savepath) #2种存储方式可以只选择一种# saveData2DB(datalist,dbpath)# 爬取网页defgetData
(baseurl): datalist = [] #用来存储爬取的网页信息for i in range(0, 10): # 调用获取页面信息的函数,10次 url = baseurl + str(i *
25) html = askURL(url) # 保存获取到的网页源码# 2.逐一解析数据 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 = [] # 保存一部电影所有信息
item = str(item) link = re.findall(findLink, item)[0] # 通过正则表达式查找 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(“/”, “”) #消除转义字符 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((\s+)?, “”, bd) bd = re.sub(
/, “”, bd) data.append(bd.strip()) datalist.append(data) return datalist
# 得到指定一个URL的网页内容defaskURL(url): head = { # 模拟浏览器头部信息,向豆瓣服务器发送消息”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”
} # 用户代理,表示告诉豆瓣服务器,我们是什么类型的机器、浏览器(本质上是告诉浏览器,我们可以接收什么水平的文件内容) 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 # 保存数据到表格defsaveData(datalist,savepath)
: print(“save…….”) book = xlwt.Workbook(encoding=”utf-8″,style_compression=0) #创建workbook对象
sheet = book.add_sheet(豆瓣电影Top250, cell_overwrite_ok=True) #创建工作表 col = (“电影详情链接”,”图片链接”,”影片中文名”
,”影片外国名”,”评分”,”评价数”,”概况”,”相关信息”) for i in range(0,8): sheet.write(0,i,col[i]) #列名for i in
range(0,250): # print(“第%d条” %(i+1)) #输出语句,用来测试 data = datalist[i] for
j in range(0,8): sheet.write(i+1,j,data[j]) #数据 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) #输出查询语句,用来测试# 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# )### #创建数据表# conn = sqlite3.connect(dbpath)
# cursor = conn.cursor()# cursor.execute(sql)# conn.commit()# conn.close()# 保存数据到数据库if
__name__ == “__main__”: # 当程序执行时# 调用函数 main() # init_db(“movietest.db”) print(“爬取完毕!”
)下面我根据代码,从上到下给大家讲解分析一遍
更多爬虫、数据分析、全栈开发、人工智能学习资料自取 私信@Python阿执回复关键词【资料】– codeing = utf-8 –,开头的这个是设置编码为utf-8 ,写在开头,防止乱码然后下面 。
import就是导入一些库,做做准备工作,(sqlite3这库我并没有用到所以我注释起来了)下面一些find开头的是正则表达式,是用来我们筛选信息的(正则表达式用到 re 库,也可以不用正则表达式,不是必须的。
)大体流程分三步走:1. 爬取网页2.逐一解析数据3. 保存网页先分析流程1,爬取网页,baseurl 就是我们要爬虫的网页网址,往下走,调用了 getData(baseurl) ,我们来看 getData方法
foriinrange(0,10):# 调用获取页面信息的函数,10次url=baseurl+str(i*25)这段大家可能看不懂,其实是这样的:因为电影评分Top250,每个页面只显示25个,所以我们需要访问页面10次,25*10=250。
baseurl = “https://movie.douban.com/top250?start=”我们只要在baseurl后面加上数字就会跳到相应页面,比如i=1时https://movie.douban.com/top250?start=25
我放上超链接,大家可以点击看看会跳到哪个页面,毕竟实践出真知。
更多爬虫、数据分析、全栈开发、人工智能学习资料自取 私信@Python阿执回复关键词【资料】然后又调用了askURL来请求网页,这个方法是请求网页的主体方法,怕大家翻页麻烦,我再把代码复制一遍,让大家有个直观感受
defaskURL(url): head = { # 模拟浏览器头部信息,向豆瓣服务器发送消息”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”
} # 用户代理,表示告诉豆瓣服务器,我们是什么类型的机器、浏览器(本质上是告诉浏览器,我们可以接收什么水平的文件内容) 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这个askURL就是用来向网页发送请求用的,那么这里就有老铁问了,为什么这里要写个head呢?
这是因为我们要是不写的话,访问某些网站的时候会被认出来爬虫,显示错误,错误代码418这是一个梗大家可以百度下,418 I’m a teapotThe HTTP 418 I’m a teapot client error response code indicates that
the server refuses to brew coffee because it is a teapot. This erroris a reference to Hyper Text Coffee Pot Control Protocol which was an
April Fools’ joke in 1998.我是一个茶壶
所以我们需要 “装” ,装成我们就是一个浏览器,这样就不会被认出来,伪装一个身份。
更多爬虫、数据分析、全栈开发、人工智能学习资料自取 私信@Python阿执回复关键词【资料】来,我们继续往下走, html = response.read().decode(“utf-8”)这段就是我们读取网页的内容,设置编码为utf-8,目的就是为了防止乱码。
访问成功后,来到了第二个流程:2.逐一解析数据解析数据这里我们用到了 BeautifulSoup(靓汤) 这个库,这个库是几乎是做爬虫必备的库,无论你是什么写法下面就开始查找符合我们要求的数据,用BeautifulSoup的方法以及 re 库的。
正则表达式去匹配,findLink = re.compile(r) # 创建正则表达式对象,标售规则 影片详情链接的规则 findImgSrc = re.compile(
r
0) #创建workbook对象 sheet = book.add_sheet(豆瓣电影Top250, cell_overwrite_ok=True) #创建工作表 col = (“电影详情链接”
,”图片链接”,”影片中文名”,”影片外国名”,”评分”,”评价数”,”概况”,”相关信息”) for i in range(0,8): sheet.write(0,i,col[i])
#列名for i in range(0,250): # print(“第%d条” %(i+1)) #输出语句,用来测试 data = datalist[i]
for j in range(0,8): sheet.write(i+1,j,data[j]) #数据 book.save(savepath) #保存创建工作表,创建(会在当前目录下创建),
sheet = book.add_sheet(豆瓣电影Top250, cell_overwrite_ok=True) #创建工作表 col = (“电影详情链接”,”图片链接”,”影片中文名”,
“影片外国名”,”评分”,”评价数”,”概况”,”相关信息”)然后把 dataList里的数据一条条存进去就行。最后运作成功后,会在左侧生成这么一个文件
打开之后看看是不是我们想要的结果
更多爬虫、数据分析、全栈开发、人工智能学习资料自取 私信@Python阿执回复关键词【资料】成了,成了!
更多爬虫、数据分析、全栈开发、人工智能学习资料自取 私信@Python阿执回复关键词【资料】如果我们需要以数据库方式存储,可以先生成 xls 文件,再把 xls 文件导入数据库中,就可以啦本篇文章讲解到这里啦,我感觉我讲得还算细致吧,爬虫我也是最近才可以学,对这个比较有兴趣,我肯定有讲得不好的地方,欢迎各位大佬来指正我 。
我也在不断地学习中,学到新东西第一时间会跟大家分享大家可以动动小手,点波关注不迷路如果关于本篇文章有不懂的地方,欢迎大家下面留言,我知道的都会给大家一 一解答白嫖不好,创作不易各位的点赞就是我创作的最大动力,如果我有哪里写得不对,欢迎评论区留言进行指正。
老铁,如果有收获,请点个免费的赞鼓励一下博主呗
来源:http://suo.im/5wZ1fZ