Python爬蟲超詳細講解
【相關推薦：Python3視訊教學 】
爬蟲
網路爬蟲（又被稱為網頁蜘蛛，網路機器人）就是模擬瀏覽器傳送網路請求，接收請求響應，一種按照一定的規則，自動地抓取網際網路資訊的程式。
原則上,只要是瀏覽器(使用者端)能做的事情，爬蟲都能夠做。
為什麼我們要使用爬蟲
網際網路巨量資料時代，給予我們的是生活的便利以及海量資料爆炸式的出現在網路中。
過去，我們通過書籍、報紙、電視、廣播或許資訊，這些資訊數量有限，且是經過一定的篩選，資訊相對而言比較有效，但是缺點則是資訊面太過於狹窄了。不對稱的資訊傳導，以致於我們視野受限，無法瞭解到更多的資訊和知識。
網際網路巨量資料時代，我們突然間，資訊獲取自由了，我們得到了海量的資訊，但是大多數都是無效的垃圾資訊。
例如新浪微博，一天產生數億條的狀態更新，而在百度搜尋引擎中，隨意搜一條——減肥100,000,000條資訊。
在如此海量的資訊碎片中，我們如何獲取對自己有用的資訊呢？
答案是篩選！
通過某項技術將相關的內容收集起來，在分析刪選才能得到我們真正需要的資訊。
這個資訊收集分析整合的工作，可應用的範疇非常的廣泛，無論是生活服務、出行旅行、金融投資、各類製造業的產品市場需求等等……都能夠藉助這個技術獲取更精準有效的資訊加以利用。
網路爬蟲技術，雖說有個詭異的名字，讓能第一反應是那種軟軟的蠕動的生物，但它卻是一個可以在虛擬世界裡，無往不前的利器。
爬蟲準備工作
我們平時都說Python爬蟲，其實這裡可能有個誤解，爬蟲並不是Python獨有的，可以做爬蟲的語言有很多例如：PHP,JAVA,C#,C++,Python，選擇Python做爬蟲是因為Python相對來說比較簡單，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
其次我們需要一個執行Python的環境，我用的是pychram
也可以從官方下載，
我們還需要一些庫來支援爬蟲的執行（有些庫Python可能自帶了）
差不多就是這幾個庫了，良心的我已經在後面寫好註釋了
（爬蟲執行過程中，不一定就只需要上面幾個庫，看你爬蟲的一個具體寫法了，反正需要庫的話我們可以直接在setting裡面安裝）
爬蟲專案講解
我做的是爬取豆瓣評分電影Top250的爬蟲程式碼
我們要爬取的就是這個網站：https://movie.douban.com/top250
這邊我已經爬取完畢，給大家看下效果圖，我是將爬取到的內容存到xls中
我們的爬取的內容是：電影詳情連結，圖片連結，影片中文名，影片外國名，評分，評價數，概況，相關資訊。
程式碼分析
先把程式碼發放上來，然後我根據程式碼逐步解析
# -*- codeing = utf-8 -*-
from bs4 import BeautifulSoup # 網頁解析，獲取資料
import re # 正規表示式，進行文字匹配`
import urllib.request, urllib.error # 制定URL，獲取網頁資料
import xlwt # 進行excel操作
#import sqlite3 # 進行SQLite資料庫操作
findLink = re.compile(r'<a href="(.*?)">') # 建立正規表示式物件，標售規則 影片詳情連結的規則
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*)人評價</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=" #要爬取的網頁連結
# 1.爬取網頁
datalist = getData(baseurl)
savepath = "豆瓣電影Top250.xls" #當前目錄新建XLS，儲存進去
# dbpath = "movie.db" #當前目錄新建資料庫，儲存進去
# 3.儲存資料
saveData(datalist,savepath) #2種儲存方式可以只選擇一種
# saveData2DB(datalist,dbpath)
# 爬取網頁
def getData(baseurl):
datalist = [] #用來儲存爬取的網頁資訊
for i in range(0, 10): # 呼叫獲取頁面資訊的函數，10次
url = baseurl + str(i * 25)
html = askURL(url) # 儲存獲取到的網頁原始碼
# 2.逐一解析資料
soup = BeautifulSoup(html, "html.parser")
for item in soup.find_all('p', class_="item"): # 查詢符合要求的字串
data = [] # 儲存一部電影所有資訊
item = str(item)
link = re.findall(findLink, item)[0] # 通過正規表示式查詢
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("/", "") #消除跳脫字元
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URL的網頁內容
def askURL(url):
head = { # 模擬瀏覽器頭部資訊，向豆瓣伺服器傳送訊息
"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"
}
# 使用者代理，表示告訴豆瓣伺服器，我們是什麼型別的機器、瀏覽器（本質上是告訴瀏覽器，我們可以接收什麼水平的檔案內容）
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
# 儲存資料到表格
def saveData(datalist,savepath):
print("save.......")
book = xlwt.Workbook(encoding="utf-8",style_compression=0) #建立workbook物件
sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #建立工作表
col = ("電影詳情連結","圖片連結","影片中文名","影片外國名","評分","評價數","概況","相關資訊")
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)) #輸出語句，用來測試
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #資料
book.save(savepath) #儲存
# 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) #輸出查詢語句，用來測試
# 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
# )
#
#
# ''' #建立資料表
# conn = sqlite3.connect(dbpath)
# cursor = conn.cursor()
# cursor.execute(sql)
# conn.commit()
# conn.close()
# 儲存資料到資料庫
if __name__ == "__main__": # 當程式執行時
# 呼叫函數
main()
# init_db("movietest.db")
print("爬取完畢！")下面我根據程式碼，從下到下給大家講解分析一遍-- codeing = utf-8 --，開頭的這個是設定編碼為utf-8 ，寫在開頭，防止亂碼。
然後下面 import就是匯入一些庫，做做準備工作，（sqlite3這庫我並沒有用到所以我註釋起來了）。
下面一些find開頭的是正規表示式，是用來我們篩選資訊的。
（正規表示式用到 re 庫，也可以不用正規表示式，不是必須的。）
大體流程分三步走：
1. 爬取網頁
2.逐一解析資料
3. 儲存網頁
先分析流程1，爬取網頁，baseurl 就是我們要爬蟲的網頁網址，往下走，呼叫了 getData（baseurl) ,
我們來看 getData方法
for i in range(0, 10): # 呼叫獲取頁面資訊的函數，10次
url = baseurl + str(i * 25) 這段大家可能看不懂，其實是這樣的：
因為電影評分Top250，每個頁面只顯示25個，所以我們需要存取頁面10次，25*10=250。
baseurl = "https://movie.douban.com/top250?start="
我們只要在baseurl後面加上數位就會跳到相應頁面，比如i=1時
https://movie.douban.com/top250?start=25
我放上超連結，大家可以點選看看會跳到哪個頁面，畢竟實踐出真知。
然後又呼叫了askURL來請求網頁，這個方法是請求網頁的主體方法，
怕大家翻頁麻煩，我再把程式碼複製一遍，讓大家有個直觀感受
def askURL(url):
head = { # 模擬瀏覽器頭部資訊，向豆瓣伺服器傳送訊息
"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"
}
# 使用者代理，表示告訴豆瓣伺服器，我們是什麼型別的機器、瀏覽器（本質上是告訴瀏覽器，我們可以接收什麼水平的檔案內容）
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askURL就是用來向網頁傳送請求用的，那麼這裡就有老鐵問了，為什麼這裡要寫個head呢？
這是因為我們要是不寫的話，存取某些網站的時候會被認出來爬蟲，顯示錯誤，錯誤程式碼
418
這是一個梗大家可以百度下，
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.
我是一個茶壺
所以我們需要 「裝」 ，裝成我們就是一個瀏覽器，這樣就不會被認出來，
偽裝一個身份。
來，我們繼續往下走，
html = response.read().decode("utf-8")這段就是我們讀取網頁的內容，設定編碼為utf-8，目的就是為了防止亂碼。
存取成功後，來到了第二個流程：
2.逐一解析資料
解析資料這裡我們用到了 BeautifulSoup（靚湯） 這個庫，這個庫是幾乎是做爬蟲必備的庫，無論你是什麼寫法。
下面就開始查詢符合我們要求的資料，用BeautifulSoup的方法以及 re 庫的
正規表示式去匹配，
findLink = re.compile(r'<a href="(.*?)">') # 建立正規表示式物件，標售規則 影片詳情連結的規則 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*)人評價</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資料，然後存進 dataList ， 所以 dataList 裡就存放著我們需要的資料了。
最後一個流程：
3.儲存資料
# 3.儲存資料
saveData(datalist,savepath) #2種儲存方式可以只選擇一種
# saveData2DB(datalist,dbpath)儲存資料可以選擇儲存到 xls 表， 需要（xlwt庫支援）
也可以選擇儲存資料到 sqlite資料庫， 需要（sqlite3庫支援）
這裡我選擇儲存到 xls 表 ，這也是為什麼我註釋了一大堆程式碼，註釋的部分就是儲存到 sqlite 資料庫的程式碼，二者選一就行
儲存到 xls 的主體方法是 saveData （下面的saveData2DB方法是儲存到sqlite資料庫）：
def saveData(datalist,savepath):
print("save.......")
book = xlwt.Workbook(encoding="utf-8",style_compression=0) #建立workbook物件
sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #建立工作表
col = ("電影詳情連結","圖片連結","影片中文名","影片外國名","評分","評價數","概況","相關資訊")
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)) #輸出語句，用來測試
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #資料
book.save(savepath) #儲存建立工作表，創列（會在當前目錄下建立），
sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #建立工作表
col = ("電影詳情連結","圖片連結","影片中文名","影片外國名","評分","評價數","概況","相關資訊")然後把 dataList裡的資料一條條存進去就行。
最後運作成功後，會在左側生成這麼一個檔案
開啟之後看看是不是我們想要的結果
成了，成了！如果我們需要以資料庫方式儲存，可以先生成 xls 檔案，再把 xls 檔案匯入資料庫中，就可以啦！
【相關推薦：Python3視訊教學 】
以上就是Python爬蟲超詳細講解的詳細內容，更多請關注TW511.COM其它相關文章！