好家伙，爬蟲來了爬蟲，這玩意，不會怎麼辦，誒，先抄一份作業回來 1.別人的爬蟲 Python爬蟲史上超詳細講解（零基礎入門，老年人都看的懂）_ChenBinBini的博客-CSDN博客 # -*- codeing = utf-8 -*- from bs4 import BeautifulSoup ...

好家伙，爬蟲來了

爬蟲，這玩意，不會怎麼辦，

誒，先抄一份作業回來

1.別人的爬蟲

Python爬蟲史上超詳細講解（零基礎入門，老年人都看的懂）_ChenBinBini的博客-CSDN博客

# -*- codeing = utf-8 -*-
from bs4 import BeautifulSoup  # 網頁解析，獲取數據
import re  # 正則表達式，進行文字匹配`
import urllib.request, urllib.error  # 制定URL，獲取網頁數據
import xlwt  # 進行excel操作
#import sqlite3  # 進行SQLite資料庫操作
findLink = re.compile(r'<a href="(.*?)">')  # 創建正則表達式對象，標售規則   影片詳情鏈接的規則
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="  #要爬取的網頁鏈接
    # 1.爬取網頁
    datalist = getData(baseurl)
    savepath = "豆瓣電影Top250.xls"    #當前目錄新建XLS，存儲進去
    # dbpath = "movie.db"              #當前目錄新建資料庫，存儲進去
    # 3.保存數據
    saveData(datalist,savepath)      #2種存儲方式可以只選擇一種
    # saveData2DB(datalist,dbpath)
# 爬取網頁
def getData(baseurl):
    datalist = []  #用來存儲爬取的網頁信息
    for i in range(0, 10):  # 調用獲取頁面信息的函數，10次
        url = baseurl + str(i * 25)
        html = askURL(url)  # 保存獲取到的網頁源碼
        # 2.逐一解析數據
        soup = BeautifulSoup(html, "html.parser")
        for item in soup.find_all('div', class_="item"):  # 查找符合要求的字元串
            data = []  # 保存一部電影所有信息
            item = str(item)
            link = re.findall(findLink, item)[0]  # 通過正則表達式查找
            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("/", "")  #消除轉義字元
                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 = {  # 模擬瀏覽器頭部信息，向豆瓣伺服器發送消息
        "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，表示告訴豆瓣伺服器，我們是什麼類型的機器、瀏覽器（本質上是告訴瀏覽器，我們可以接收什麼水平的文件內容）

    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
# 保存數據到表格
def saveData(datalist,savepath):
    print("save.......")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創建workbook對象
    sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創建工作表
    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")
    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])  #數據
    book.save(savepath) #保存

if __name__ == "__main__":  # 當程式執行時
    # 調用函數
     main()
    # init_db("movietest.db")
     print("爬取完畢！")

卧槽，有點東西

這東西看上去挺nb啊，

也很方便，把我想要的一些數據直接總結到一個excel表格中了

我們來看看這些欄位是如何匹配的

.xls

代碼：

findLink = re.compile(r'<a href="(.*?)">')  # 創建正則表達式對象，標售規則   影片詳情鏈接的規則
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)

<img>?<span>? 這不就專業對口了嗎

網站的html:

將三個"表"都打開,再來看看對比

(誒都對上了)

此處,使用正則表達式去匹配對應標簽

正則表達式 – 簡介 | 菜鳥教程 (runoob.com)

於是看了這個案例之後，我們就可以大概去分析以下爬蟲到底幹了什麼:

1.發請求，隨後拿到伺服器發過來的.html文件

2.用正則表達式去套對應的，我們需要的數據

3.處理數據，最後把他們以某種方式呈現

具體來說，爬蟲通常會執行以下步驟：

發送HTTP請求：爬蟲通過發送HTTP請求來獲取目標網頁的內容。
解析HTML頁面：網頁內容一般是HTML格式的，爬蟲需要使用HTML解析器來將頁面內容解析成Python對象。
提取數據：通過Python編程語言對解析出來的對象進行遍歷和操作，找到需要的數據並保存下來。
存儲數據：將提取的數據保存到文件中、資料庫中或者記憶體中，以備後續的處理和分析。
處理異常：爬蟲需要處理異常，例如：請求超時、解析錯誤等，以確保爬蟲的穩定性和可靠性。

開乾

2.我的爬蟲

好了，我們自己寫一個爬蟲試試

import requests
from bs4 import BeautifulSoup
import xlwt
import re

# 創建Excel文件
workbook = xlwt.Workbook(encoding='utf-8')
worksheet = workbook.add_sheet('kugou_rank')
# pattern = re.compile(r'(?<=- ).*')

# 構造請求頭
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'
}

# 定義排行榜頁面的URL
url = 'https://www.kugou.com/yy/rank/home/1-6666.html?from=rank'

# 發送請求並獲取響應
r = requests.get(url, headers=headers)

# 解析HTML
soup = 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')

# 將數據寫入Excel文件
worksheet.write(0, 0, '排名') #寫入對應的欄位
worksheet.write(0, 1, '歌名')
worksheet.write(0, 2, '歌手')
worksheet.write(0, 3, '專輯')
worksheet.write(0, 4, '播放時長')
worksheet.write(0, 5, '鏈接地址')

row = 1
for song in song_list:
    song_name = song.find('a', {'class': 'pc_temp_songname'}).text.strip()     #篩選出歌名 
    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="(.*?)"')

    worksheet.write(row, 0, song['data-index']) #將排行寫入excel表格
    worksheet.write(row, 1, song_name)          #將歌名寫入excel表格
    worksheet.write(row, 2, song_singer)        #將歌手寫入excel表格
    worksheet.write(row, 3, song_album)         #將歌曲專輯寫入excel表格
    worksheet.write(row, 4, song_time)          #將歌曲時長寫入excel表格
    song =str(song)
    song = song.split("javascript:")[0]
    song_link = link_pattern.findall(song)
    worksheet.write(row, 5, song_link)          #將歌曲時長寫入excel表格
    row += 1

# 保存Excel文件

workbook.save('C:/Users/10722/Desktop/python答辯/kugou_rank.xls')

說明:

# 構造請求頭
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'
}

帶著請求頭去請求,一個簡單的"反爬"機制,模仿瀏覽器去發請求,非常實用

(其實沒什麼亂用,你能想到的,網站的開發者大概也能想到,所以你要是亂來還是會封你IP的)

沒什麼難度

這爬了酷狗的一個音樂榜單

然後記錄了一些音樂數據，還有歌曲的地址。

還行,

通過模仿學會Python爬蟲(一):零基礎上手

1.別人的爬蟲

2.我的爬蟲