欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

零基礎(chǔ)學(xué)習(xí)Python爬蟲

 更新時(shí)間:2021年08月25日 15:16:43   作者:碼農(nóng)BookSea  
這篇文章主要講解了Python爬蟲的基礎(chǔ)知識(shí),文中相關(guān)知識(shí)講解的非常詳細(xì),感興趣的小伙伴可以參考參考

講解我們的爬蟲之前,先概述關(guān)于爬蟲的簡(jiǎn)單概念(畢竟是零基礎(chǔ)教程)

爬蟲

網(wǎng)絡(luò)爬蟲(又被稱為網(wǎng)頁(yè)蜘蛛,網(wǎng)絡(luò)機(jī)器人)就是模擬瀏覽器發(fā)送網(wǎng)絡(luò)請(qǐng)求,接收請(qǐng)求響應(yīng),一種按照一定的規(guī)則,自動(dòng)地抓取互聯(lián)網(wǎng)信息的程序。
原則上,只要是瀏覽器(客戶端)能做的事情,爬蟲都能夠做。

為什么我們要使用爬蟲

互聯(lián)網(wǎng)大數(shù)據(jù)時(shí)代,給予我們的是生活的便利以及海量數(shù)據(jù)爆炸式的出現(xiàn)在網(wǎng)絡(luò)中。
過(guò)去,我們通過(guò)書籍、報(bào)紙、電視、廣播或許信息,這些信息數(shù)量有限,且是經(jīng)過(guò)一定的篩選,信息相對(duì)而言比較有效,但是缺點(diǎn)則是信息面太過(guò)于狹窄了。不對(duì)稱的信息傳導(dǎo),以致于我們視野受限,無(wú)法了解到更多的信息和知識(shí)。
互聯(lián)網(wǎng)大數(shù)據(jù)時(shí)代,我們突然間,信息獲取自由了,我們得到了海量的信息,但是大多數(shù)都是無(wú)效的垃圾信息。
例如新浪微博,一天產(chǎn)生數(shù)億條的狀態(tài)更新,而在百度搜索引擎中,隨意搜一條——減肥100,000,000條信息。
在如此海量的信息碎片中,我們?nèi)绾潍@取對(duì)自己有用的信息呢?
答案是篩選!
通過(guò)某項(xiàng)技術(shù)將相關(guān)的內(nèi)容收集起來(lái),在分析刪選才能得到我們真正需要的信息。
這個(gè)信息收集分析整合的工作,可應(yīng)用的范疇非常的廣泛,無(wú)論是生活服務(wù)、出行旅行、金融投資、各類制造業(yè)的產(chǎn)品市場(chǎng)需求等等……都能夠借助這個(gè)技術(shù)獲取更精準(zhǔn)有效的信息加以利用。
網(wǎng)絡(luò)爬蟲技術(shù),雖說(shuō)有個(gè)詭異的名字,讓能第一反應(yīng)是那種軟軟的蠕動(dòng)的生物,但它卻是一個(gè)可以在虛擬世界里,無(wú)往不前的利器。

爬蟲準(zhǔn)備工作

我們平時(shí)都說(shuō)Python爬蟲,其實(shí)這里可能有個(gè)誤解,爬蟲并不是Python獨(dú)有的,可以做爬蟲的語(yǔ)言有很多例如:PHP,JAVA,C#,C++,Python,選擇Python做爬蟲是因?yàn)镻ython相對(duì)來(lái)說(shuō)比較簡(jiǎn)單,而且功能比較齊全。
首先我們需要下載python,我下載的是官方最新的版本 3.8.3
其次我們需要一個(gè)運(yùn)行Python的環(huán)境,我用的是pychram

在這里插入圖片描述

也可以從官方下載,
我們還需要一些庫(kù)來(lái)支持爬蟲的運(yùn)行(有些庫(kù)Python可能自帶了)

在這里插入圖片描述

差不多就是這幾個(gè)庫(kù)了,良心的我已經(jīng)在后面寫好注釋了

在這里插入圖片描述

(爬蟲運(yùn)行過(guò)程中,不一定就只需要上面幾個(gè)庫(kù),看你爬蟲的一個(gè)具體寫法了,反正需要庫(kù)的話我們可以直接在setting里面安裝)

爬蟲項(xiàng)目講解

我做的是爬取豆瓣評(píng)分電影Top250的爬蟲代碼
我們要爬取的就是這個(gè)網(wǎng)站:https://movie.douban.com/top250

這邊我已經(jīng)爬取完畢,給大家看下效果圖,我是將爬取到的內(nèi)容存到xls中

在這里插入圖片描述

我們的爬取的內(nèi)容是:電影詳情鏈接,圖片鏈接,影片中文名,影片外國(guó)名,評(píng)分,評(píng)價(jià)數(shù),概況,相關(guān)信息。

代碼分析

先把代碼發(fā)放上來(lái),然后我根據(jù)代碼逐步解析

# -*- codeing = utf-8 -*-
from bs4 import BeautifulSoup  # 網(wǎng)頁(yè)解析,獲取數(shù)據(jù)
import re  # 正則表達(dá)式,進(jìn)行文字匹配`
import urllib.request, urllib.error  # 制定URL,獲取網(wǎng)頁(yè)數(shù)據(jù)
import xlwt  # 進(jìn)行excel操作
#import sqlite3  # 進(jìn)行SQLite數(shù)據(jù)庫(kù)操作

findLink = re.compile(r'<a href="(.*?)" rel="external nofollow"  rel="external nofollow" >')  # 創(chuàng)建正則表達(dá)式對(duì)象,標(biāo)售規(guī)則   影片詳情鏈接的規(guī)則
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
findTitle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人評(píng)價(jià)</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)




def main():
    baseurl = "https://movie.douban.com/top250?start="  #要爬取的網(wǎng)頁(yè)鏈接
    # 1.爬取網(wǎng)頁(yè)
    datalist = getData(baseurl)
    savepath = "豆瓣電影Top250.xls"    #當(dāng)前目錄新建XLS,存儲(chǔ)進(jìn)去
    # dbpath = "movie.db"              #當(dāng)前目錄新建數(shù)據(jù)庫(kù),存儲(chǔ)進(jìn)去
    # 3.保存數(shù)據(jù)
    saveData(datalist,savepath)      #2種存儲(chǔ)方式可以只選擇一種
    # saveData2DB(datalist,dbpath)



# 爬取網(wǎng)頁(yè)
def getData(baseurl):
    datalist = []  #用來(lái)存儲(chǔ)爬取的網(wǎng)頁(yè)信息
    for i in range(0, 10):  # 調(diào)用獲取頁(yè)面信息的函數(shù),10次
        url = baseurl + str(i * 25)
        html = askURL(url)  # 保存獲取到的網(wǎng)頁(yè)源碼
        # 2.逐一解析數(shù)據(jù)
        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 = []  # 保存一部電影所有信息
            item = str(item)
            link = re.findall(findLink, item)[0]  # 通過(guò)正則表達(dá)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("/", "")  #消除轉(zhuǎn)義字符
                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('<br(\s+)?/>(\s+)?', "", bd)
            bd = re.sub('/', "", bd)
            data.append(bd.strip())
            datalist.append(data)

    return datalist


# 得到指定一個(gè)URL的網(wǎng)頁(yè)內(nèi)容
def askURL(url):
    head = {  # 模擬瀏覽器頭部信息,向豆瓣服務(wù)器發(fā)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"
    }
    # 用戶代理,表示告訴豆瓣服務(wù)器,我們是什么類型的機(jī)器、瀏覽器(本質(zhì)上是告訴瀏覽器,我們可以接收什么水平的文件內(nèi)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


# 保存數(shù)據(jù)到表格
def saveData(datalist,savepath):
    print("save.......")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創(chuàng)建workbook對(duì)象
    sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)建工作表
    col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國(guó)名","評(píng)分","評(píng)價(jià)數(shù)","概況","相關(guān)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條" %(i+1))       #輸出語(yǔ)句,用來(lái)測(cè)試
        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])  #數(shù)據(jù)
    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)     #輸出查詢語(yǔ)句,用來(lái)測(cè)試
#             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
#         )
#
#
#     '''  #創(chuàng)建數(shù)據(jù)表
#     conn = sqlite3.connect(dbpath)
#     cursor = conn.cursor()
#     cursor.execute(sql)
#     conn.commit()
#     conn.close()

# 保存數(shù)據(jù)到數(shù)據(jù)庫(kù)







if __name__ == "__main__":  # 當(dāng)程序執(zhí)行時(shí)
    # 調(diào)用函數(shù)
     main()
    # init_db("movietest.db")
     print("爬取完畢!")

下面我根據(jù)代碼,從下到下給大家講解分析一遍

在這里插入圖片描述

-- codeing = utf-8 --,開頭的這個(gè)是設(shè)置編碼為utf-8 ,寫在開頭,防止亂碼。
然后下面import就是導(dǎo)入一些庫(kù),做做準(zhǔn)備工作,(sqlite3這庫(kù)我并沒(méi)有用到所以我注釋起來(lái)了)。
下面一些find開頭的是正則表達(dá)式,是用來(lái)我們篩選信息的。
(正則表達(dá)式用到 re 庫(kù),也可以不用正則表達(dá)式,不是必須的。)
大體流程分三步走:

1. 爬取網(wǎng)頁(yè)
2.逐一解析數(shù)據(jù)
3. 保存網(wǎng)頁(yè)

先分析流程

1.爬取網(wǎng)頁(yè)

baseurl 就是我們要爬蟲的網(wǎng)頁(yè)網(wǎng)址,往下走,調(diào)用了 getData(baseurl) ,
我們來(lái)看 getData方法

  for i in range(0, 10):  # 調(diào)用獲取頁(yè)面信息的函數(shù),10次
        url = baseurl + str(i * 25)

這段大家可能看不懂,其實(shí)是這樣的:
因?yàn)殡娪霸u(píng)分Top250,每個(gè)頁(yè)面只顯示25個(gè),所以我們需要訪問(wèn)頁(yè)面10次,25*10=250。

baseurl = "https://movie.douban.com/top250?start="

我們只要在baseurl后面加上數(shù)字就會(huì)跳到相應(yīng)頁(yè)面,比如i=1時(shí)

https://movie.douban.com/top250?start=25

我放上超鏈接,大家可以點(diǎn)擊看看會(huì)跳到哪個(gè)頁(yè)面,畢竟實(shí)踐出真知。

然后又調(diào)用了askURL來(lái)請(qǐng)求網(wǎng)頁(yè),這個(gè)方法是請(qǐng)求網(wǎng)頁(yè)的主體方法,
怕大家翻頁(yè)麻煩,我再把代碼復(fù)制一遍,讓大家有個(gè)直觀感受

def askURL(url):
    head = {  # 模擬瀏覽器頭部信息,向豆瓣服務(wù)器發(fā)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"
    }
    # 用戶代理,表示告訴豆瓣服務(wù)器,我們是什么類型的機(jī)器、瀏覽器(本質(zhì)上是告訴瀏覽器,我們可以接收什么水平的文件內(nèi)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

這個(gè)askURL就是用來(lái)向網(wǎng)頁(yè)發(fā)送請(qǐng)求用的,那么這里就有老鐵問(wèn)了,為什么這里要寫個(gè)head呢?

在這里插入圖片描述

這是因?yàn)槲覀円遣粚懙脑?,訪問(wèn)某些網(wǎng)站的時(shí)候會(huì)被認(rèn)出來(lái)爬蟲,顯示錯(cuò)誤,錯(cuò)誤代碼

418

這是一個(gè)梗大家可以百度下,

418 I'm a teapot

The HTTP 418 I'm a teapot client error response code indicates that
the server refuses to brew coffee because it is a teapot. This error
is a reference to Hyper Text Coffee Pot Control Protocol which was an
April Fools' joke in 1998.

我是一個(gè)茶壺

在這里插入圖片描述

所以我們需要 “裝” ,裝成我們就是一個(gè)瀏覽器,這樣就不會(huì)被認(rèn)出來(lái),
偽裝一個(gè)身份。

來(lái),我們繼續(xù)往下走,

  html = response.read().decode("utf-8")

這段就是我們讀取網(wǎng)頁(yè)的內(nèi)容,設(shè)置編碼為utf-8,目的就是為了防止亂碼。
訪問(wèn)成功后,來(lái)到了第二個(gè)流程:

2.逐一解析數(shù)據(jù)

解析數(shù)據(jù)這里我們用到了 BeautifulSoup(靚湯) 這個(gè)庫(kù),這個(gè)庫(kù)是幾乎是做爬蟲必備的庫(kù),無(wú)論你是什么寫法。

下面就開始查找符合我們要求的數(shù)據(jù),用BeautifulSoup的方法以及 re 庫(kù)的
正則表達(dá)式去匹配,

findLink = re.compile(r'<a href="(.*?)" rel="external nofollow"  rel="external nofollow" >')  # 創(chuàng)建正則表達(dá)式對(duì)象,標(biāo)售規(guī)則   影片詳情鏈接的規(guī)則
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
findTitle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人評(píng)價(jià)</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)

匹配到符合我們要求的數(shù)據(jù),然后存進(jìn) dataList , 所以 dataList 里就存放著我們需要的數(shù)據(jù)了。

最后一個(gè)流程:

3.保存數(shù)據(jù)

    # 3.保存數(shù)據(jù)
    saveData(datalist,savepath)      #2種存儲(chǔ)方式可以只選擇一種
    # saveData2DB(datalist,dbpath)

保存數(shù)據(jù)可以選擇保存到 xls 表, 需要(xlwt庫(kù)支持)
也可以選擇保存數(shù)據(jù)到 sqlite數(shù)據(jù)庫(kù), 需要(sqlite3庫(kù)支持)

這里我選擇保存到 xls 表 ,這也是為什么我注釋了一大堆代碼,注釋的部分就是保存到 sqlite 數(shù)據(jù)庫(kù)的代碼,二者選一就行

保存到 xls 的主體方法是 saveData (下面的saveData2DB方法是保存到sqlite數(shù)據(jù)庫(kù)):

def saveData(datalist,savepath):
    print("save.......")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創(chuàng)建workbook對(duì)象
    sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)建工作表
    col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國(guó)名","評(píng)分","評(píng)價(jià)數(shù)","概況","相關(guān)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條" %(i+1))       #輸出語(yǔ)句,用來(lái)測(cè)試
        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])  #數(shù)據(jù)
    book.save(savepath) #保存

創(chuàng)建工作表,創(chuàng)列(會(huì)在當(dāng)前目錄下創(chuàng)建),

   sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)建工作表
    col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國(guó)名","評(píng)分","評(píng)價(jià)數(shù)","概況","相關(guān)信息")

然后把 dataList里的數(shù)據(jù)一條條存進(jìn)去就行。

最后運(yùn)作成功后,會(huì)在左側(cè)生成這么一個(gè)文件

在這里插入圖片描述

打開之后看看是不是我們想要的結(jié)果

在這里插入圖片描述

成了,成了!

在這里插入圖片描述

如果我們需要以數(shù)據(jù)庫(kù)方式存儲(chǔ),可以先生成 xls 文件,再把 xls 文件導(dǎo)入數(shù)據(jù)庫(kù)中,就可以啦

以上就是零基礎(chǔ)學(xué)習(xí)Python爬蟲的詳細(xì)內(nèi)容,更多關(guān)于Python爬蟲的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章!

相關(guān)文章

  • 使用python opencv對(duì)畸變圖像進(jìn)行矯正的實(shí)現(xiàn)

    使用python opencv對(duì)畸變圖像進(jìn)行矯正的實(shí)現(xiàn)

    本文主要介紹了使用python opencv對(duì)畸變圖像進(jìn)行矯正的實(shí)現(xiàn),文中通過(guò)示例代碼介紹的非常詳細(xì),具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下
    2022-05-05
  • 淺析Python字符串索引、切片、格式化

    淺析Python字符串索引、切片、格式化

    除了數(shù)字,Python中最常見的數(shù)據(jù)類型就是字符串,無(wú)論那種編程語(yǔ)言,字符串無(wú)處不在。本文將為大家詳細(xì)介紹Python中字符串的使用方法,需要的朋友可以參考一下
    2021-12-12
  • Keras實(shí)現(xiàn)Vision?Transformer?VIT模型示例詳解

    Keras實(shí)現(xiàn)Vision?Transformer?VIT模型示例詳解

    這篇文章主要為大家介紹了Keras實(shí)現(xiàn)Vision?Transformer?VIT模型示例詳解,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,早日升職加薪
    2022-05-05
  • flask重啟后端口被占用的問(wèn)題解決(非kill)

    flask重啟后端口被占用的問(wèn)題解決(非kill)

    本文主要介紹了flask重啟后端口被占用的問(wèn)題解決(非kill),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
    2023-04-04
  • Python中eval()函數(shù)的詳細(xì)使用教程

    Python中eval()函數(shù)的詳細(xì)使用教程

    eval函數(shù)在Python中具有非常重要的地位,熟練的使用eval函數(shù)能夠?yàn)槲覀兊腜ython編程提供很多的便利之處,下面這篇文章主要給大家介紹了關(guān)于Python中eval()函數(shù)的詳細(xì)使用,需要的朋友可以參考下
    2022-07-07
  • Python日志處理模塊logging用法解析

    Python日志處理模塊logging用法解析

    這篇文章主要介紹了Python日志處理模塊logging用法解析,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
    2020-05-05
  • Python PyInstaller庫(kù)基本使用方法分析

    Python PyInstaller庫(kù)基本使用方法分析

    這篇文章主要介紹了Python PyInstaller庫(kù)基本使用方法,結(jié)合實(shí)例形式分析了Python PyInstaller庫(kù)的功能、安裝及相關(guān)使用注意事項(xiàng),需要的朋友可以參考下
    2019-12-12
  • Python中property函數(shù)用法實(shí)例分析

    Python中property函數(shù)用法實(shí)例分析

    這篇文章主要介紹了Python中property函數(shù)用法,結(jié)合實(shí)例形式分析了property函數(shù)的功能、參數(shù)、使用方法及相關(guān)操作注意事項(xiàng),需要的朋友可以參考下
    2018-06-06
  • 在Python中測(cè)試訪問(wèn)同一數(shù)據(jù)的競(jìng)爭(zhēng)條件的方法

    在Python中測(cè)試訪問(wèn)同一數(shù)據(jù)的競(jìng)爭(zhēng)條件的方法

    這篇文章主要介紹了在Python中測(cè)試訪問(wèn)同一數(shù)據(jù)的競(jìng)爭(zhēng)條件的方法,探究多線程或多進(jìn)程情況下優(yōu)先訪問(wèn)權(quán)的問(wèn)題,需要的朋友可以參考下
    2015-04-04
  • Python實(shí)現(xiàn)對(duì)特定列表進(jìn)行從小到大排序操作示例

    Python實(shí)現(xiàn)對(duì)特定列表進(jìn)行從小到大排序操作示例

    這篇文章主要介紹了Python實(shí)現(xiàn)對(duì)特定列表進(jìn)行從小到大排序操作,涉及Python文件讀取、計(jì)算、正則匹配、排序等相關(guān)操作技巧,需要的朋友可以參考下
    2019-02-02

最新評(píng)論