python 爬取豆瓣網(wǎng)頁的示例
python作為一種已經(jīng)廣泛傳播且相對易學(xué)的解釋型語言,現(xiàn)如今在各方面都有著廣泛的應(yīng)用。而爬蟲則是其最為我們耳熟能詳?shù)膽?yīng)用,今天筆者就著重針對這一方面進(jìn)行介紹。
python 語法簡要介紹
python 的基礎(chǔ)語法大體與c語言相差不大,由于省去了c語言中的指針等較復(fù)雜的結(jié)構(gòu),所以python更被戲稱為最適合初學(xué)者的語言。而在基礎(chǔ)語法之外,python由其龐大的第三方庫組成,而其中包含多種模塊,而通過模塊中包含的各種函數(shù)與方法能夠幫助我們實(shí)現(xiàn)各種各樣的功能。
而在python爬蟲中,我們需要用到的標(biāo)準(zhǔn)庫有:
- urllib
- re
- bs4
- xlwt
其中urllib庫可以幫助我們爬取目標(biāo)網(wǎng)頁的html代碼,bs4中的beautifulsoup模塊以及re庫中的正則表達(dá)式可以將我們需要的數(shù)據(jù)從代碼中提取出來,而xlwt庫可以將數(shù)據(jù)儲存至excel表中,從而最終完成數(shù)據(jù)的爬取。
接下來,就步入我們此次介紹的重點(diǎn)——完整爬取一個網(wǎng)頁的數(shù)據(jù)。
本篇文章以爬取豆瓣電影top250的數(shù)據(jù)為例,并將爬取的過程分為三個部分:
1.爬取網(wǎng)頁
2.解析網(wǎng)頁
3.儲存網(wǎng)頁
那么,讓我們開始吧!
豆瓣top250網(wǎng)址:https://movie.douban.com/top250?start=
爬取網(wǎng)頁
import urllib.request
引入urllib庫中的request模塊
urllib庫的基本操作可參考該網(wǎng)址:
http://www.dbjr.com.cn/article/209542.htm
def askURL(url): head = { "User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 88.0.4324.182Safari / 537.36" }# 模擬瀏覽器的登錄 request = urllib.request.Request(url,headers=head) #將網(wǎng)頁的url和頭部信息封裝至一起 response = urllib.request.urlopen(request) #獲取網(wǎng)頁的html代碼 html = response.read().decode("utf-8") #將獲取的數(shù)據(jù)轉(zhuǎn)化為utf-8格式 #print(html) #此步可以實(shí)驗(yàn)一下能否成功爬取網(wǎng)頁的html代碼 return html
1.其中urllib.request.Request可以幫我們把要爬取的網(wǎng)頁的url及其他的頭部信息封裝至一起。
2.urlopen函數(shù)則可以幫助我們爬取下該網(wǎng)頁的html代碼
3.有一些網(wǎng)站會設(shè)置一下反爬機(jī)制來阻止我們的爬蟲,此時就需要我們設(shè)置頭部信息來模擬瀏覽器訪問網(wǎng)站
需要用瀏覽器進(jìn)入該網(wǎng)址,使用開發(fā)者模式獲取我們需要的頭部信息(也就是該圖中的user-agent)
4.最后需要將我們的爬取下的html代碼轉(zhuǎn)化為utf-8格式進(jìn)行輸出
解析網(wǎng)頁
import re from bs4 import BeautifulSoup
引入re庫和bs4庫
def getData(baseurl): datalist = [] #建立一個存放解析出的數(shù)據(jù)的元組 for i in range(0,10): url = baseurl + str(i*25) # 通過以下兩張截圖,我們可以發(fā)現(xiàn)豆瓣將每25部電影分為一頁,共分成了10頁、 # 而其url的差別僅在最后加了25,故通過該規(guī)律,可將所有10張網(wǎng)頁的url全部獲取 html = askURL(url) soup = BeautifulSoup(html,"html.parser") #通過beautifulsoup模塊自帶的html代碼解析器進(jìn)行解析 #并將解析器解析出的數(shù)據(jù)放至soup中
逐頁進(jìn)行解析,使解析出的數(shù)據(jù)能被我們接下來要使用的正則表達(dá)式識別
所謂正則表達(dá)式,就是對字符串操作的一種邏輯公式,就是用事先定義好的一些特定字符、及這些特定字符的組合,組成一個“規(guī)則字符串”,這個“規(guī)則字符串”用來表達(dá)對字符串的一種過濾邏輯,通過這種過濾,就可以得到我們想要的信息,就例如影片的名稱,評分等信息。
findlink = re.compile(r'<a href="(.*?)" rel="external nofollow" >') # r表示不受轉(zhuǎn)義字符的影響 #該代碼通過正則表達(dá)式搜尋到所有關(guān)于影片鏈接的數(shù)據(jù),以下代碼類似 findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S) #讓換行符包含在字符中 findtitle = re.compile(r'<span class="title">(.*)</span>') findscore = 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)
for item in soup.find_all("div",class_="item"): #提取所有class為“item”的div模塊,并通過for循環(huán)一步步處理 data = [] item = str(item) #將item轉(zhuǎn)化為字符串類型 link = re.findall(findlink,item)[0] #通過影片詳情鏈接的正則表達(dá)式抽取數(shù)據(jù) data.append(link) #存放至data列表中 ImgSrc = re.findall(findImgSrc,item)[0] data.append(ImgSrc) title = re.findall(findtitle,item) if len(title)==2: #如果影片有多個名稱,則分別進(jìn)行存儲 ctitle = title[0] data.append(ctitle) otitle = title[1].replace("/","") data.append(otitle) else: data.append(title[0]) data.append(" ") score = re.findall(findscore,item) data.append(score) judge = re.findall(findjudge,item) data.append(judge) inq = re.findall(findinq,item) if len(inq)!=0: inq = inq[0].replace("。","") data.append(inq) else: data.append("") #若有影片詳情,則輸出;若沒有,則輸出為空 bd = re.findall(findbd,item)[0] bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd) bd = re.sub('/'," ",bd) data.append(bd.strip()) # 去掉前后空格 datalist.append(data) print(datalist) return datalist
以上代碼能通過正則表達(dá)式抽取出需要的數(shù)據(jù)存放data列表中,然后將所有的data數(shù)據(jù)存放至datalist列表中。
儲存網(wǎng)頁
將解析出的數(shù)據(jù)儲存到excel表中
import xlwt
引入xlwt庫
xlwt的基本操作可參考該網(wǎng)址:
http://www.dbjr.com.cn/article/209536.htm
def savepath(datalist): workbook = xlwt.Workbook(encoding="utf-8") #創(chuàng)建以utf-8格式編碼的一個workbook對象,該對象最后能保存為excel表格 worksheet = workbook.add_sheet("sheetwdy") #創(chuàng)建工作表“sheetwdy” 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") #創(chuàng)建一個元組 for i in range(0, 8): worksheet.write(0, i, col[i]) # 將我們剛定義的元組中的信息寫入excel表的第一行 for i in range(0, 250): print("第%d條" % (i + 1)) data = datalist[i] for j in range(0, 8): worksheet.write(i + 1, j, data[j]) #將解析出的數(shù)據(jù)通過for循環(huán)一條條導(dǎo)入excel表中 workbook.save("豆瓣250.xls") #將該excel表進(jìn)行保存
如此我們便可以把解析出的數(shù)據(jù)存儲至excel表中了
以上便為成品圖
以上就是python 爬取豆瓣網(wǎng)頁的示例的詳細(xì)內(nèi)容,更多關(guān)于python 爬取豆瓣網(wǎng)頁的資料請關(guān)注腳本之家其它相關(guān)文章!
相關(guān)文章
matplotlib交互式數(shù)據(jù)光標(biāo)mpldatacursor的實(shí)現(xiàn)
這篇文章主要介紹了matplotlib交互式數(shù)據(jù)光標(biāo)mpldatacursor的實(shí)現(xiàn) ,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-02-02python爬蟲框架Scrapy基本應(yīng)用學(xué)習(xí)教程
這篇文章主要為大家介紹了python爬蟲框架Scrapy的基本應(yīng)用學(xué)習(xí)教程,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步2021-11-11使用Python導(dǎo)出Excel圖表以及導(dǎo)出為圖片的方法
這篇文章主要介紹了使用Python導(dǎo)出Excel圖表以及導(dǎo)出為圖片的方法,Python相關(guān)模塊在Windows下操作office非常方便,需要的朋友可以參考下2015-11-11Django 后臺獲取文件列表 InMemoryUploadedFile的例子
今天小編就為大家分享一篇Django 后臺獲取文件列表 InMemoryUploadedFile的例子,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-08-08Python 字符串與二進(jìn)制串的相互轉(zhuǎn)換示例
今天小編就為大家分享一篇Python 字符串與二進(jìn)制串的相互轉(zhuǎn)換示例,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2018-07-07