python作為一種已經(jīng)廣泛傳播且相對(duì)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(duì)這一方面進(jìn)行介紹。

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：

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(chǔ)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(gè)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(gè)部分：

1.爬取網(wǎng)頁

2.解析網(wǎng)頁

3.儲(chǔ)存網(wǎng)頁

那么，讓我們開始吧！

豆瓣top250網(wǎng)址：https://movie.douban.com/top250?start=

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：

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(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(huì)設(shè)置一下反爬機(jī)制來阻止我們的爬蟲，此時(shí)就需要我們?cè)O(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

import refrom bs4 import BeautifulSoup

引入re庫和bs4庫

def getData(baseurl): datalist = [] #建立一個(gè)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(shí)別

所謂正則表達(dá)式，就是對(duì)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(gè)“規(guī)則字符串”,這個(gè)“規(guī)則字符串”用來表達(dá)對(duì)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(píng)分等信息。

findlink = re.compile(r’<a href='http://www.gepszalag.com/bcjs/(.*?)' 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='http://www.gepszalag.com/bcjs/(.*?)'’,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 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)

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(gè)名稱，則分別進(jìn)行存儲(chǔ)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。

將解析出的數(shù)據(jù)儲(chǔ)存到excel表中

import xlwt

引入xlwt庫

xlwt的基本操作可參考該網(wǎng)址：

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

def savepath(datalist): workbook = xlwt.Workbook(encoding='utf-8') #創(chuàng)建以u(píng)tf-8格式編碼的一個(gè)workbook對(duì)象，該對(duì)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(píng)分', '評(píng)價(jià)數(shù)', '概況', '相關(guān)信息') #創(chuàng)建一個(gè)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(chǔ)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(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！