好家伙，爬虫来了
爬虫，这玩意，不会怎么办，
诶，先抄一份作业回来
1.别人的爬虫
Python爬虫史上超详细讲解（零基础入门，老年人都看的懂）_ChenBinBini的博客-CSDN博客
# -*- codeing = utf-8 -*-from bs4 import BeautifulSoup # 网页解析，获取数据import re # 正则表达式，进行文字匹配`import urllib.request, urllib.error # 制定URL，获取网页数据import xlwt # 进行excel操作#import sqlite3 # 进行SQLite数据库操作findLink = re.compile(r'') # 创建正则表达式对象，标售规则 影片详情链接的规则findImgSrc = re.compile(r'<img.*src="https://www.cnblogs.com/FatTiger4399/archive/2023/06/17/(.*?)"', re.S)findTitle = re.compile(r'(.*)')findRating = re.compile(r'(.*)')findJudge = re.compile(r'(\d*)人评价')findInq = re.compile(r'(.*)')findBd = re.compile(r'https://www.cnblogs.com/FatTiger4399/archive/2023/06/17/(.*?)
', re.S)def main(): baseurl = "https://movie.douban.com/top250?start=" #要爬取的网页链接 # 1.爬取网页 datalist = getData(baseurl) savepath = "豆瓣电影Top250.xls" #当前目录新建XLS，存储进去 # dbpath = "movie.db" #当前目录新建数据库，存储进去 # 3.保存数据 saveData(datalist,savepath) #2种存储方式可以只选择一种 # saveData2DB(datalist,dbpath)# 爬取网页def getData(baseurl): datalist = [] #用来存储爬取的网页信息 for i in range(0, 10): # 调用获取页面信息的函数，10次 url = baseurl + str(i * 25) html = askURL(url) # 保存获取到的网页源码 # 2.逐一解析数据 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 = [] # 保存一部电影所有信息 item = str(item) link = re.findall(findLink, item)[0] # 通过正则表达式查找 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("/", "") #消除转义字符 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('
(\s+)?', "", bd) bd = re.sub('/', "", bd) data.append(bd.strip()) datalist.append(data) return datalist# 得到指定一个URL的网页内容def askURL(url): head = { # 模拟浏览器头部信息，向豆瓣服务器发送消息 "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" } # 用户代理，表示告诉豆瓣服务器，我们是什么类型的机器、浏览器（本质上是告诉浏览器，我们可以接收什么水平的文件内容） 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# 保存数据到表格def saveData(datalist,savepath): print("save.......") book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象 sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表 col = ("电影详情链接","图片链接","影片中文名","影片外国名","评分","评价数","概况","相关信息") for i in range(0,8): sheet.write(0,i,col[i]) #列名 for i in range(0,250): # print("第%d条" %(i+1)) #输出语句，用来测试 data = datalist[i] for j in range(0,8): sheet.write(i+1,j,data[j]) #数据 book.save(savepath) #保存if __name__ == "__main__": # 当程序执行时 # 调用函数 main() # init_db("movietest.db") print("爬取完毕！")
卧槽，有点东西
这东西看上去挺nb啊，
也很方便，把我想要的一些数据直接总结到一个excel表格中了
我们来看看这些字段是如何匹配的
.xls
代码：
findLink = re.compile(r'') # 创建正则表达式对象，标售规则 影片详情链接的规则findImgSrc = re.compile(r'<img.*src="https://www.cnblogs.com/FatTiger4399/archive/2023/06/17/(.*?)"', re.S)findTitle = re.compile(r'(.*)')findRating = re.compile(r'(.*)')findJudge = re.compile(r'(\d*)人评价')findInq = re.compile(r'(.*)')findBd = re.compile(r'https://www.cnblogs.com/FatTiger4399/archive/2023/06/17/(.*?)
', re.S)?? 这不就专业对口了吗
网站的html:
将三个”表”都打开,再来看看对比
(诶都对上了)
此处,使用正则表达式去匹配对应标签
正则表达式 – 简介 | 菜鸟教程 (runoob.com)
于是看了这个案例之后，我们就可以大概去分析以下爬虫到底干了什么:
1.发请求，随后拿到服务器发过来的.html文件
2.用正则表达式去套对应的，我们需要的数据
3.处理数据，最后把他们以某种方式呈现
具体来说，爬虫通常会执行以下步骤：
发送HTTP请求：爬虫通过发送HTTP请求来获取目标网页的内容。
解析HTML页面：网页内容一般是HTML格式的，爬虫需要使用HTML解析器来将页面内容解析成Python对象。
提取数据：通过Python编程语言对解析出来的对象进行遍历和操作，找到需要的数据并保存下来。
存储数据：将提取的数据保存到文件中、数据库中或者内存中，以备后续的处理和分析。
处理异常：爬虫需要处理异常，例如：请求超时、解析错误等，以确保爬虫的稳定性和可靠性。
开干
2.我的爬虫
好了，我们自己写一个爬虫试试
import requestsfrom bs4 import BeautifulSoupimport xlwtimport re# 创建Excel文件workbook = xlwt.Workbook(encoding='utf-8')worksheet = workbook.add_sheet('kugou_rank')# pattern = re.compile(r'(?<=- ).*')# 构造请求头headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
}# 定义排行榜页面的URLurl = 'https://www.kugou.com/yy/rank/home/1-6666.html?from=rank'# 发送请求并获取响应r = requests.get(url, headers=headers)# 解析HTMLsoup = BeautifulSoup(r.text, 'html.parser')# 定位歌曲排行榜列表song_list = soup.find('div', {'class': 'pc_temp_songlist'}).find_all('li')# 将数据写入Excel文件worksheet.write(0, 0, '排名') #写入对应的字段worksheet.write(0, 1, '歌名')worksheet.write(0, 2, '歌手')worksheet.write(0, 3, '专辑')worksheet.write(0, 4, '播放时长')worksheet.write(0, 5, '链接地址')row = 1for song in song_list: song_name = song.find('a', {'class': 'pc_temp_songname'}).text.strip() #筛选出歌名 song_title = song.get('title') singer_pattern = re.compile(r'.*(?= - )') song_singer = singer_pattern.findall(song_title) song_title = song.get('title') print(song_title) album_pattern = re.compile(r'(?<=- ).*') song_album = album_pattern.findall(song_title) # song_album = pattern.findall(song) song_time = song.find('span', {'class': 'pc_temp_time'}).text.strip() link_pattern = re.compile(r'href="https://www.cnblogs.com/FatTiger4399/archive/2023/06/17/(.*?)"') worksheet.write(row, 0, song['data-index']) #将排行写入excel表格 worksheet.write(row, 1, song_name) #将歌名写入excel表格 worksheet.write(row, 2, song_singer) #将歌手写入excel表格 worksheet.write(row, 3, song_album) #将歌曲专辑写入excel表格 worksheet.write(row, 4, song_time) #将歌曲时长写入excel表格 song =str(song) song = song.split("javascript:")[0] song_link = link_pattern.findall(song) worksheet.write(row, 5, song_link) #将歌曲时长写入excel表格 row += 1# 保存Excel文件workbook.save('C:/Users/10722/Desktop/python答辩/kugou_rank.xls')说明:
# 构造请求头headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}带着请求头去请求,一个简单的”反爬”机制,模仿浏览器去发请求,非常实用
(其实没什么乱用,你能想到的,网站的开发者大概也能想到,所以你要是乱来还是会封你IP的)
没什么难度
这爬了酷狗的一个音乐榜单
然后记录了一些音乐数据，还有歌曲的地址。
还行,