1. 获取页面源代码

5个小步骤:
1.伪装成浏览器
2.进一步包装请求
3.网页请求获取数据
4.解析并保存
5.返回数据

代码：

import urllib.request,urllib.error #指定URL,获取页面数据#爬取指定urldef askUrl(url):  #请求头伪装成浏览器(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"}    #进一步包装请求    request = urllib.request.Request(url = url,headers=head)    #存储页面源代码    html = ""    try:      #页面请求,获取内容        response = urllib.request.urlopen(request)        #读取返回的内容,用"utf-8"编码解析        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)    #返回页面源代码    return html

2.获取标签

通过BeautifulSoup进一步解析页面源代码

from bs4 import BeautifulSoup #页面解析,获取数据

Beautiful Soup 将复杂 HTML 文档转换成一个复杂的树形结构，每个节点都是 Python 对象,可分为四大对象种类,这里主要用到Tag类的对象,还有三种,有兴趣可以自己去深入学习~~

#构建了一个BeautifulSoup类型的对象soup#参数为网页源代码和”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_有个下划线bs.find_all('div',class_="item")

3.正则表达式匹配

先准备好相应的正则表达式,然后在上面得到的标签下手

#Python正则表达式前的 r 表示原生字符串（rawstring）#该字符串声明了引号中的内容表示该内容的原始含义，避免了多次转义造成的反斜杠困扰#re.S它表示"."的作用扩展到整个字符串，包括“
”#re.compile()编译后生成Regular Expression对象，由于该对象自己包含了正则表达式#所以调用对应的方法时不用给出正则字符串。#链接findLink = re.compile(r'<a href="(.*?)">',re.S)
#找到所有匹配的#参数(正则表达式,内容)#[0]返回匹配的数组的第一个元素 link = re.findall(findLink,item)[0]

4.保存数据

两种保存方式

1.保存到Excel里

import xlwt #进行excel操作
def saveData(dataList,savePath):  #创建一个工程,参数("编码","样式的压缩效果")    woke = xlwt.Workbook("utf-8",style_compression=0)    #创建一个表,参数("表名","覆盖原单元格信息")    sheet = woke.add_sheet("豆瓣电影Top250",cell_overwrite_ok=True)    #列明    col = ("链接","中文名字","英文名字","评分","标题","评分人数","概况")    #遍历列名,并写入    for i in range (7):        sheet.write(0,i,col[i])    #开始遍历数据,并写入    for i in range (0,250):        for j in range (7):            sheet.write(i+1,j,dataList[i][j])            print("第%d条数据"%(i+1))    #保存数据到保存路径    woke.save(savePath)    print("保存完毕")

结果文件：

2.保存到数据库

import sqlite3 #进行sql操作#新建表def initdb(dataPath):  #连接dataPath数据库,没有的话默认新建一个    conn = sqlite3.connect(dataPath)    #获取游标    cur = conn.cursor()    #sql语句    sql = '''        create table movie(        id Integer primary key autoincrement,        info_link text,        cname varchar ,        fname varchar ,        rating varchar ,        inq text,        racount varchar ,        inf text        )    '''    #执行sql语句    cur.execute(sql)    #提交事物    conn.commit()    #关闭游标    cur.close()    #关闭连接    conn.close()
def savedb(dataList,dataPath):  #新建表    initdb(dataPath)    #连接数据库dataPath    conn = sqlite3.connect(dataPath)    #获取游标    cur = conn.cursor()    #开始保存数据    for data in dataList:        for index in range(len(data)):          #在每个数据字段两边加上""双引号            data[index] = str('"'+data[index]+'"')        #用","逗号拼接数据        newstr = ",".join(data)        #sql语句,把拼写好的数据放入sql语句        sql ="insert into movie(info_link,cname,fname,rating,inq,racount,inf)values(%s)"%(newstr)        print(sql)        #执行sql语句        cur.execute(sql)        #提交事务        conn.commit()    #关闭游标    cur.close()    #关闭连接    conn.close()    print("保存完毕")

结果文件：

爬取豆瓣TOP250的所有代码

from bs4 import BeautifulSoup #页面解析,获取数据import re #正则表达式import urllib.request,urllib.error #指定URL,获取页面数据import xlwt #进行excel操作import sqlite3 #进行sql操作def main():    baseUrl = "https://movie.douban.com/top250?start="    #1.爬取网页,并解析数据    dataList = getData(baseUrl)
    # savePath=".\豆瓣电影Top250.xls"    savePath = "movies.db"    #2.保存数据    # saveData(dateList,savePath)    savedb(dataList,savePath)
#---正则表达式---#链接findLink = re.compile(r'<a href="(.*?)">',re.S)#电影名字findName = re.compile(r'<span class="title">(.*?)</span>',re.S)#评分findRating = re.compile(r'<span class="rating_num" property="v:average">(.*?)</span>')#标题findInq = re.compile(r'<span class="inq">(.*?)</span>',re.S)#评分人数findCount = re.compile(r'<span>(.*?)人评价</span>')#电影信息findInf = re.compile(r'<p class="">(.*?)</p>',re.S)#1.爬取网页def getData(baseUrl):    dataList = []    for i in range(10):        html = askUrl(baseUrl + str(i * 25))        # 2.逐一解析数据        bs = BeautifulSoup(html,"html.parser")        for item in bs.find_all('div',class_="item"):            data = []            item = str(item)            #链接            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]            #评分            rating = re.findall(findRating,item)[0]            #标题            inq = re.findall(findInq,item)            if len(inq) < 1:                inq = " "            else:                 inq= inq[0]            #评分人数            racount = re.findall(findCount,item)[0]            #电影信息            inf = re.findall(findInf,item)[0]            inf = re.sub("...<br(s+)?/>(s?)"," ",inf)            inf = re.sub("/"," ",inf)            inf  = inf.strip()            #添加一部电影的信息进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urldef 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.保存数据def saveData(dataList,savePath):    woke = xlwt.Workbook("utf-8",style_compression=0)#样式的压缩效果    sheet = woke.add_sheet("豆瓣电影Top250",cell_overwrite_ok=True)#覆盖原单元格信息    col = ("链接","中文名字","英文名字","评分","标题","评分人数","概况")    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条数据"%(i+1))    woke.save(savePath)    print("保存完毕")#3.保存到数据库def savedb(dataList,dataPath):    initdb(dataPath)    conn = sqlite3.connect(dataPath)    cur = conn.cursor()    #开始保存数据    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("保存完毕")#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__":    #调用函数    main()

愉快爬虫：

遵守 Robots 协议，但有没有 Robots 都不代表可以随便爬，可见下面的大众点评百度案；
限制你的爬虫行为，禁止近乎 DDOS的请求频率，一旦造成服务器瘫痪，约等于网络攻击；
对于明显反爬，或者正常情况不能到达的页面不能强行突破，否则是 Hacker行为；
最后，审视清楚自己爬的内容，以下是绝不能碰的红线（包括但不限于）：

https://www.zhihu.com/question/291554395/answer/514982754

PS：如果觉得我的分享不错，欢迎大家随手点赞、在看。

END

阅读 1113

写下你的留言

精选留言

。

干货