python 爬取豆瓣網頁的示例

Posted on by

python作為一種已經廣泛傳播且相對易學的解釋型語言,現如今在各方面都有著廣泛的應用。而爬蟲則是其最為我們耳熟能詳的應用，今天筆者就著重針對這一方面進行介紹。

python 語法簡要介紹

python 的基礎語法大體與c語言相差不大，由於省去瞭c語言中的指針等較復雜的結構，所以python更被戲稱為最適合初學者的語言。而在基礎語法之外，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與方法能夠幫助我們實現各種各樣的功能。

而在python爬蟲中，我們需要用到的標準庫有：

  • urllib
  • re
  • bs4
  • xlwt

其中urllib庫可以幫助我們爬取目標網頁的html代碼，bs4中的beautifulsoup模塊以及re庫中的正則表達式可以將我們需要的數據從代碼中提取出來，而xlwt庫可以將數據儲存至excel表中，從而最終完成數據的爬取。

接下來，就步入我們此次介紹的重點——完整爬取一個網頁的數據。

本篇文章以爬取豆瓣電影top250的數據為例，並將爬取的過程分為三個部分：

1.爬取網頁

2.解析網頁

3.儲存網頁

那麼，讓我們開始吧！

豆瓣top250網址：https://movie.douban.com/top250?start=

爬取網頁

import urllib.request

引入urllib庫中的request模塊

urllib庫的基本操作可參考該網址：

https://www.jb51.net/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)
    #將網頁的url和頭部信息封裝至一起
    response = urllib.request.urlopen(request)
    #獲取網頁的html代碼
    html = response.read().decode("utf-8")
    #將獲取的數據轉化為utf-8格式
    #print(html)    #此步可以實驗一下能否成功爬取網頁的html代碼
    return html

1.其中urllib.request.Request可以幫我們把要爬取的網頁的url及其他的頭部信息封裝至一起。

2.urlopen函數則可以幫助我們爬取下該網頁的html代碼

3.有一些網站會設置一下反爬機制來阻止我們的爬蟲，此時就需要我們設置頭部信息來模擬瀏覽器訪問網站

需要用瀏覽器進入該網址，使用開發者模式獲取我們需要的頭部信息（也就是該圖中的user-agent）

4.最後需要將我們的爬取下的html代碼轉化為utf-8格式進行輸出

解析網頁

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據的元組
    for i in range(0,10):
        url = baseurl + str(i*25)
        # 通過以下兩張截圖，我們可以發現豆瓣將每25部電影分為一頁，共分成瞭10頁、
        # 而其url的差別僅在最後加瞭25，故通過該規律，可將所有10張網頁的url全部獲取
        html = askURL(url)
        soup = BeautifulSoup(html,"html.parser")
        #通過beautifulsoup模塊自帶的html代碼解析器進行解析
        #並將解析器解析出的數據放至soup中

逐頁進行解析，使解析出的數據能被我們接下來要使用的正則表達式識別

所謂正則表達式，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“規則字符串”,這個“規則字符串”用來表達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表示不受轉義字符的影響
#該代碼通過正則表達式搜尋到所有關於影片鏈接的數據，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，並通過for循環一步步處理
            data = []
            item = str(item) #將item轉化為字符串類型
            link = re.findall(findlink,item)[0]
            #通過影片詳情鏈接的正則表達式抽取數據
            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())   # 去掉前後空格

            datalist.append(data)
    print(datalist)
    return datalist

以上代碼能通過正則表達式抽取出需要的數據存放data列表中，然後將所有的data數據存放至datalist列表中。

儲存網頁

將解析出的數據儲存到excel表中

import xlwt

引入xlwt庫

xlwt的基本操作可參考該網址：

https://www.jb51.net/article/209536.htm

def savepath(datalist):
    workbook = xlwt.Workbook(encoding="utf-8")
 #創建以utf-8格式編碼的一個workbook對象，該對象最後能保存為excel表格
    worksheet = workbook.add_sheet("sheetwdy")
 #創建工作表“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", "概況", "相關信息")
 #創建一個元組
    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])
 #將解析出的數據通過for循環一條條導入excel表中
    workbook.save("豆瓣250.xls")
 #將該excel表進行保存

如此我們便可以把解析出的數據存儲至excel表中瞭

以上便為成品圖

以上就是python 爬取豆瓣網頁的示例的詳細內容，更多關於python 爬取豆瓣網頁的資料請關註WalkonNet其它相關文章！

推薦閱讀：

    None Found