最近又學了一遍爬蟲的入門,記住步驟立刻就上手了

1.獲取頁面原始碼

5個小步驟:
1.偽裝成瀏覽器
2.進一步包裝請求
3.網頁請求獲取資料
4.解析並儲存
5.返回資料

程式碼:

import urllib.request,urllib.error #指定URL,獲取頁面資料
#爬取指定url
def askUrl(url):
	#請求頭偽裝成瀏覽器(字典)
    head = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3776.400 QQBrowser/10.6.4212.400"}
    #進一步包裝請求
    request = urllib.request.Request(url = url,headers=head)
    #儲存頁面原始碼
    html = ""
    try:
    	#頁面請求,獲取內容
        response = urllib.request.urlopen(request)
        #讀取返回的內容,用"utf-8"編碼解析
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reson"):
            print(e.reson)
    #返回頁面原始碼
    return html

2.獲取標籤

透過BeautifulSoup進一步解析頁面原始碼

from bs4 import BeautifulSoup #頁面解析,獲取資料

Beautiful Soup 將複雜 HTML 文件轉換成一個複雜的樹形結構，每個節點都是 Python 物件,可分為四大物件種類,這裡主要用到Tag類的物件,還有三種,有興趣可以自己去深入學習~~

#構建了一個BeautifulSoup型別的物件soup
#引數為網頁原始碼和”html.parser”，表明是解析html的
bs = BeautifulSoup(html,"html.parser")
#找到所有class叫做item的div,注意class_有個下劃線
bs.find_all('div',class_="item")

3.正則表示式匹配

先準備好相應的正則表示式,然後在上面得到的標籤下手

#Python正則表示式前的 r 表示原生字串（rawstring）
#該字串聲明瞭引號中的內容表示該內容的原始含義，避免了多次轉義造成的反斜槓困擾
#re.S它表示"."的作用擴充套件到整個字串，包括“\n”
#re.compile()編譯後生成Regular Expression物件，由於該物件自己包含了正則表示式
#所以呼叫對應的方法時不用給出正則字串。
#連結
findLink = re.compile(r'<a href="(.*?)">',re.S)

#找到所有匹配的
#引數(正則表示式,內容)
#[0]返回匹配的陣列的第一個元素
 link = re.findall(findLink,item)[0]

4.儲存資料

兩種儲存方式
1.儲存到Excel裡

import xlwt #進行excel操作

def saveData(dataList,savePath):
	#建立一個工程,引數("編碼","樣式的壓縮效果")
    woke = xlwt.Workbook("utf-8",style_compression=0)
    #建立一個表,引數("表名","覆蓋原單元格資訊")
    sheet = woke.add_sheet("豆瓣電影Top250",cell_overwrite_ok=True)
    #列明
    col = ("連結","中文名字","英文名字","評分","標題","評分人數","概況")
    #遍歷列名,並寫入
    for i in range (7):
        sheet.write(0,i,col[i])
    #開始遍歷資料,並寫入
    for i in range (0,250):
        for j in range (7):
            sheet.write(i+1,j,dataList[i][j])
            print("第%d條資料"%(i+1))
    #儲存資料到儲存路徑
    woke.save(savePath)
    print("儲存完畢")

結果檔案:

2.儲存到資料庫

import sqlite3 #進行sql操作
#新建表
def initdb(dataPath):
	#連線dataPath資料庫,沒有的話預設新建一個
    conn = sqlite3.connect(dataPath)
    #獲取遊標
    cur = conn.cursor()
    #sql語句
    sql = '''
        create table movie(
        id Integer primary key autoincrement,
        info_link text,
        cname varchar ,
        fname varchar ,
        rating varchar ,
        inq text,
        racount varchar ,
        inf text
        )
    '''
    #執行sql語句
    cur.execute(sql)
    #提交事物
    conn.commit()
    #關閉遊標
    cur.close()
    #關閉連線
    conn.close()

def savedb(dataList,dataPath):
	#新建表
    initdb(dataPath)
    #連線資料庫dataPath
    conn = sqlite3.connect(dataPath)
    #獲取遊標
    cur = conn.cursor()
    #開始儲存資料
    for data in dataList:
        for index in range(len(data)):
        	#在每個資料欄位兩邊加上""雙引號
            data[index] = str('"'+data[index]+'"')
        #用","逗號拼接資料
        newstr = ",".join(data)
        #sql語句,把拼寫好的資料放入sql語句
        sql ="insert into movie(info_link,cname,fname,rating,inq,racount,inf)values(%s)"%(newstr)
        print(sql)
        #執行sql語句
        cur.execute(sql)
        #提交事務
        conn.commit()
    #關閉遊標
    cur.close()
    #關閉連線
    conn.close()
    print("儲存完畢")

結果檔案:

爬取豆瓣TOP250的所有程式碼

from bs4 import BeautifulSoup #頁面解析,獲取資料
import re #正則表示式
import urllib.request,urllib.error #指定URL,獲取頁面資料
import xlwt #進行excel操作
import sqlite3 #進行sql操作
def main():
    baseUrl = "https://movie.douban.com/top250?start="
    #1.爬取網頁,並解析資料
    dataList = getData(baseUrl)

    # savePath=".\\豆瓣電影Top250.xls"
    savePath = "movies.db"
    #2.儲存資料
    # saveData(dateList,savePath)
    savedb(dataList,savePath)

#---正則表示式---
#連結
findLink = re.compile(r'<a href="(.*?)">',re.S)
#電影名字
findName = re.compile(r'<span class="title">(.*?)</span>',re.S)
#評分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')
#標題
findInq = re.compile(r'<span class="inq">(.*?)</span>',re.S)
#評分人數
findCount = re.compile(r'<span>(.*?)人評價</span>')
#電影資訊
findInf = re.compile(r'<p class="">(.*?)</p>',re.S)
#1.爬取網頁
def getData(baseUrl):
    dataList = []
    for i in range(10):
        html = askUrl(baseUrl + str(i * 25))
        # 2.逐一解析資料
        bs = BeautifulSoup(html,"html.parser")
        for item in bs.find_all('div',class_="item"):
            data = []
            item = str(item)
            #連結
            link = re.findall(findLink,item)[0]
            #名字
            name = re.findall(findName,item)
            if len(name) == 1:
                cName = name[0]
                fName = " "
            else:
                name[1] = name[1].replace(" / ","")
                cName = name[0]
                fName = name[1]
            #評分
            rating = re.findall(findRating,item)[0]
            #標題
            inq = re.findall(findInq,item)
            if len(inq) < 1:
                inq = " "
            else:
                 inq= inq[0]
            #評分人數
            racount = re.findall(findCount,item)[0]
            #電影資訊
            inf = re.findall(findInf,item)[0]
            inf = re.sub("...<br(\s+)?/>(\s?)"," ",inf)
            inf = re.sub("/"," ",inf)
            inf  = inf.strip()
            #新增一部電影的資訊進data
            data.append(link)
            data.append(cName)
            data.append(fName)
            data.append(rating)
            data.append(inq)
            data.append(racount)
            data.append(inf)
            dataList.append(data)
    return dataList
#爬取指定url
def askUrl(url):
    head = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3776.400 QQBrowser/10.6.4212.400"}
    request = urllib.request.Request(url = url,headers=head)
    http = ""
    try:
        response = urllib.request.urlopen(request)
        http = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reson"):
            print(e.reson)
    return http
# 3.儲存資料
def saveData(dataList,savePath):
    woke = xlwt.Workbook("utf-8",style_compression=0)#樣式的壓縮效果
    sheet = woke.add_sheet("豆瓣電影Top250",cell_overwrite_ok=True)#覆蓋原單元格資訊
    col = ("連結","中文名字","英文名字","評分","標題","評分人數","概況")
    for i in range (7):
        sheet.write(0,i,col[i])
    for i in range (0,250):
        for j in range (7):
            sheet.write(i+1,j,dataList[i][j])
            print("第%d條資料"%(i+1))
    woke.save(savePath)
    print("儲存完畢")
#3.儲存到資料庫
def savedb(dataList,dataPath):
    initdb(dataPath)
    conn = sqlite3.connect(dataPath)
    cur = conn.cursor()
    #開始儲存資料
    for data in dataList:
        for index in range(len(data)):
            data[index] = str('"'+data[index]+'"')
        newstr = ",".join(data)
        sql ="insert into movie(info_link,cname,fname,rating,inq,racount,inf)values(%s)"%(newstr)
        print(sql)
        cur.execute(sql)
        conn.commit()
    cur.close()
    conn.close()
    print("儲存完畢")
#3-1新建表
def initdb(dataPath):
    conn = sqlite3.connect(dataPath)
    cur = conn.cursor()
    sql = '''
        create table movie(
        id Integer primary key autoincrement,
        info_link text,
        cname varchar ,
        fname varchar ,
        rating varchar ,
        inq text,
        racount varchar ,
        inf text
        )
    '''
    cur.execute(sql)
    conn.commit()
    cur.close()
    conn.close()
if __name__ == "__main__":
    #呼叫函式
    main()

愉快爬蟲:

遵守 Robots 協議，但有沒有 Robots 都不代表可以隨便爬，可見下面的大眾點評百度案；
限制你的爬蟲行為，禁止近乎 DDOS的請求頻率，一旦造成伺服器癱瘓，約等於網路攻擊；
對於明顯反爬，或者正常情況不能到達的頁面不能強行突破，否則是 Hacker行為；
最後，審視清楚自己爬的內容，以下是絕不能碰的紅線（包括但不限於）： 作者：張凱強
連結：https://www.zhihu.com/question/291554395/answer/514982754
來源：知乎
著作權歸作者所有。