Python爬虫技术--入门篇--实现流程

1.上一篇讲了爬虫概述和urllib库，这篇讲解如何获取数据

打开上次写好的spider.py文件,继续写入以下代码：

# -*- coding=utf-8 -*-
# @Time : 2020/12/16 0016 下午 7:09
# @Author :东南大学软件学院陈洋
# @File :spider.py
# @Software :PyCharm

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


def main():
    baseurl="https://movie.douban.com/top250?start="
    #1.爬取网页
    datalist=getData(baseurl)
    savepath=".\豆瓣电影Top250.xls"
    #3.保存数据
    # saveData(savepath)
    askURl("https://movie.douban.com/top250?start=0")

#爬取网页
def getData(baseurl):
    datalist=[]
    for i in range(0,10):  #调用获取信息的函数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
    return datalist


#得到指定URL网页内容
def askURl(url):
    head={         #模拟浏览器头部信息，向豆瓣服务器发送请求
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 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

    request=urllib.request.Request(url,headers=head)
    html=""
    try:
        response=urllib.request.urlopen(request)
        html=response.read().decode("utf-8")
        print(html)

    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)

    return html



#3.保存数据
def saveData(savepath):
    print("save....")





if __name__=="__main__": #当程序执行时
  #调用函数
    main()

补充beautifulsoup知识(见视频，不多赘述)下面是正则表达式

 正则提取：

 继续再spider.py写入以下代码：爬取豆瓣第一页所有的链接

# -*- coding=utf-8 -*-
# @Time : 2020/12/16 0016 下午 7:09
# @Author :东南大学软件学院陈洋
# @File :spider.py
# @Software :PyCharm

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


def main():
    baseurl="https://movie.douban.com/top250?start="
    #1.爬取网页
    datalist=getData(baseurl)
    savepath=".\豆瓣电影Top250.xls"
    #3.保存数据
    # saveData(savepath)
    # askURl("https://movie.douban.com/top250?start=0")

findLink=re.compile(r'<a href="(.*?">)')     #创建正则表达式对象，表示规则（字符串的模式）




#爬取网页
def getData(baseurl):
    datalist=[]
    for i in range(0,1):  #调用获取信息的函数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，形成列表
            # print(item)   #查看电影item全部信息
            dada=[]         #保存一部电影的全部信息
            item=str(item)
            link=re.findall(findLink,item)[0] #re库用来通过正则表达式查找指定的字符串
            print(link)

    return datalist


#得到指定URL网页内容
def askURl(url):
    head={         #模拟浏览器头部信息，向豆瓣服务器发送请求
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 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

    request=urllib.request.Request(url,headers=head)
    html=""
    try:
        response=urllib.request.urlopen(request)
        html=response.read().decode("utf-8")
        # print(html)

    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)

    return html



#3.保存数据
def saveData(savepath):
    print("save....")





if __name__=="__main__": #当程序执行时
  #调用函数
    main()

 运行如下：

 继续写入以下代码，可以打印一页所有信息（比如下面网址，图片地址，片名等信息）

# -*- coding=utf-8 -*-
# @Time : 2020/12/16 0016 下午 7:09
# @Author :东南大学软件学院陈洋
# @File :spider.py
# @Software :PyCharm

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


def main():
    baseurl="https://movie.douban.com/top250?start="
    #1.爬取网页
    datalist=getData(baseurl)
    savepath=".\豆瓣电影Top250.xls"
    #3.保存数据
    # saveData(savepath)
    # askURl("https://movie.douban.com/top250?start=0")

#影片详情链接的规则
findLink=re.compile(r'<a href="(.*?)">')     #创建正则表达式对象，表示规则（字符串的模式）
#影片图片
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)#re.S让换行符包含在字符中
#影片片名
findTitle=re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#找到评价人数
findJudge=re.compile(r'<span>(d*)人评价</span>')
#找到概况
findInq=re.compile(r'<span class="inq">(.*)</span>')
#找到影片的相关内容
findBd=re.compile(r'<p class="">(.*?)</p>',re.S)


#爬取网页
def getData(baseurl):
    datalist=[]
    for i in range(0,1):  #调用获取信息的函数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，形成列表
            # print(item)   #查看电影item全部信息
            data =[]         #保存一部电影的全部信息
            item =str(item)

            #影片详情的超链接
            link=re.findall(findLink,item)[0]   #re库用来通过正则表达式查找指定的字符串
            data.append(link)                   #添加链接

            imgSrc=re.findall(findImgSrc,item)[0]
            data.append(imgSrc)                  #添加图片

            titles=re.findall(findTitle,item)         #片名可能只有一个中文名，没有外国名
            if(len(titles)==2):
                ctitle=titles[0]
                data.append(ctitle)                     #添加中文名
                otitle=titles[1].replace("/","")          #去掉无关的符号
                data.append(otitle)                     #添加外国名
            else:
                data.append(titles[0])
                data.append(' ')                       #外国名留空

            rating=re.findall(findRating,item)[0]
            data.append(rating)                        #添加评分

            judgeNum=re.findall(findJudge,item)[0]
            data.append(judgeNum)                       #添加评价人数

            inq=re.findall(findInq,item)
            if len(inq)!=0:
                inq=inq[0].replace(" 。","")           #去掉句号
                data.append(inq)                          #添加概述
            else:
                data.append(" ")                   #留空

            bd=re.findall(findBd,item)[0]
            bd=re.sub('<br(s+)?/>(s+)?'," ",bd)       #去掉<br/>
            bd=re.sub('/'," ",bd)                 #替换/
            data.append(bd.strip())                #去掉前后的空格

            datalist.append(data)            #把处理好的一部电影信息放入datalist
    print(datalist)
    return datalist


#得到指定URL网页内容
def askURl(url):
    head={         #模拟浏览器头部信息，向豆瓣服务器发送请求
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 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

    request=urllib.request.Request(url,headers=head)
    html=""
    try:
        response=urllib.request.urlopen(request)
        html=response.read().decode("utf-8")
        # print(html)

    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)

    return html



#3.保存数据
def saveData(savepath):
    print("save....")





if __name__=="__main__": #当程序执行时
  #调用函数
    main()

运行结果如下：

 总结一下：

 2.保存数据到excel

 最终结果展示：

 至此完成爬虫项目至excel中。

几点说明：1.当运行次数过多可能出现：Process finished with exit code 0，也没找到好的解决办法，要换个Ip可能有用；

还可能代码运行如下，因为被禁止访问了。