Python爬虫技术--入门篇--实现流程

1.上一篇讲了爬虫概述和urllib库，这篇讲解如何获取数据

打开上次写好的spider.py文件,继续写入以下代码：

# -*- coding=utf-8 -*-
# @Time : 2020/12/16 0016 下午 7:09
# @Author :东南大学软件学院陈洋
# @File :spider.py
# @Software :PyCharm

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


def main():
baseurl="https://movie.douban.com/top250?start="
#1.爬取网页
datalist=getData(baseurl)
savepath=".\\豆瓣电影Top250.xls"
#3.保存数据
# saveData(savepath)
askURl("https://movie.douban.com/top250?start=0")

#爬取网页
def getData(baseurl):
datalist=[]
for i in range(0,10): #调用获取信息的函数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
return datalist


#得到指定URL网页内容
def askURl(url):
head={ #模拟浏览器头部信息，向豆瓣服务器发送请求
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 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

request=urllib.request.Request(url,headers=head)
html=""
try:
response=urllib.request.urlopen(request)
html=response.read().decode("utf-8")
print(html)

except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)

return html



#3.保存数据
def saveData(savepath):
print("save....")





if __name__=="__main__": #当程序执行时
#调用函数
main()

View Code

补充beautifulsoup知识(见视频，不多赘述)下面是正则表达式

 正则提取：

 继续再spider.py写入以下代码：爬取豆瓣第一页所有的链接

# -*- coding=utf-8 -*-
# @Time : 2020/12/16 0016 下午 7:09
# @Author :东南大学软件学院陈洋
# @File :spider.py
# @Software :PyCharm

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


def main():
baseurl="https://movie.douban.com/top250?start="
#1.爬取网页
datalist=getData(baseurl)
savepath=".\\豆瓣电影Top250.xls"
#3.保存数据
# saveData(savepath)
# askURl("https://movie.douban.com/top250?start=0")

findLink=re.compile(r')') #创建正则表达式对象，表示规则（字符串的模式）




#爬取网页
def getData(baseurl):
datalist=[]
for i in range(0,1): #调用获取信息的函数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，形成列表
# print(item) #查看电影item全部信息
dada=[] #保存一部电影的全部信息
item=str(item)
link=re.findall(findLink,item)[0] #re库用来通过正则表达式查找指定的字符串
print(link)

return datalist


#得到指定URL网页内容
def askURl(url):
head={ #模拟浏览器头部信息，向豆瓣服务器发送请求
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 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

request=urllib.request.Request(url,headers=head)
html=""
try:
response=urllib.request.urlopen(request)
html=response.read().decode("utf-8")
# print(html)

except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)

return html



#3.保存数据
def saveData(savepath):
print("save....")





if __name__=="__main__": #当程序执行时
#调用函数
main()

View Code

 运行如下：

 继续写入以下代码，可以打印一页所有信息（比如下面网址，图片地址，片名等信息）

# -*- coding=utf-8 -*-
# @Time : 2020/12/16 0016 下午 7:09
# @Author :东南大学软件学院陈洋
# @File :spider.py
# @Software :PyCharm

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


def main():
baseurl="https://movie.douban.com/top250?start="
#1.爬取网页
datalist=getData(baseurl)
savepath=".\\豆瓣电影Top250.xls"
#3.保存数据
# saveData(savepath)
# askURl("https://movie.douban.com/top250?start=0")

#影片详情链接的规则
findLink=re.compile(r'') #创建正则表达式对象，表示规则（字符串的模式）
#影片图片
findImgSrc=re.compile(r'#影片片名
findTitle=re.compile(r'(.*)')
#影片评分
findRating=re.compile(r'(.*)')
#找到评价人数
findJudge=re.compile(r'(\d*)人评价')
#找到概况
findInq=re.compile(r'(.*)')
#找到影片的相关内容
findBd=re.compile(r'

https://blog.51cto.com/u_14251143/(.*?)

',re.S)


#爬取网页
def getData(baseurl):
datalist=[]
for i in range(0,1): #调用获取信息的函数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，形成列表
# print(item) #查看电影item全部信息
data =[] #保存一部电影的全部信息
item =str(item)

#影片详情的超链接
link=re.findall(findLink,item)[0] #re库用来通过正则表达式查找指定的字符串
data.append(link) #添加链接

imgSrc=re.findall(findImgSrc,item)[0]
data.append(imgSrc) #添加图片

titles=re.findall(findTitle,item) #片名可能只有一个中文名，没有外国名
if(len(titles)==2):
ctitle=titles[0]
data.append(ctitle) #添加中文名
otitle=titles[1].replace("/","") #去掉无关的符号
data.append(otitle) #添加外国名
else:
data.append(titles[0])
data.append(' ') #外国名留空

rating=re.findall(findRating,item)[0]
data.append(rating) #添加评分

judgeNum=re.findall(findJudge,item)[0]
data.append(judgeNum) #添加评价人数

inq=re.findall(findInq,item)
if len(inq)!=0:
inq=inq[0].replace(" 。","") #去掉句号
data.append(inq) #添加概述
else:
data.append(" ") #留空

bd=re.findall(findBd,item)[0]
bd=re.sub('(\s+)?'," ",bd) #去掉

bd=re.sub('/'," ",bd) #替换/
data.append(bd.strip()) #去掉前后的空格

datalist.append(data) #把处理好的一部电影信息放入datalist
print(datalist)
return datalist


#得到指定URL网页内容
def askURl(url):
head={ #模拟浏览器头部信息，向豆瓣服务器发送请求
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 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

request=urllib.request.Request(url,headers=head)
html=""
try:
response=urllib.request.urlopen(request)
html=response.read().decode("utf-8")
# print(html)

except urllib.error.URLError as e:
if hasattr(e,"code"):
print(e.code)
if hasattr(e,"reason"):
print(e.reason)

return html



#3.保存数据
def saveData(savepath):
print("save....")





if __name__=="__main__": #当程序执行时
#调用函数
main()

View Code

运行结果如下：

 总结一下：

 2.保存数据到excel

 最终结果展示：

 至此完成爬虫项目至excel中。

几点说明：1.当运行次数过多可能出现：Process finished with exit code 0，也没找到好的解决办法，要换个Ip可能有用；

还可能代码运行如下，因为被禁止访问了。