Python爬虫超详细讲解（零基础入门，老年人都看的懂）

长征从未停止 發表於 2023-7-21 09:51:00

Python爬虫超详细讲解（零基础入门，老年人都看的懂）

本文已收录至Github，推荐阅读 👉 Java随想录
微信公众号：Java随想录
<div class="toc"><div class="toc-container-header">目录</div><ul><li>爬虫</li><li>为什么我们要使用爬虫</li><li>爬虫准备工作</li><li>爬虫项目讲解</li><li>代码分析</li><li>418</li></ul></div>
<blockquote>
先看后赞，养成习惯。 
点赞收藏，人生辉煌。
</blockquote>
<img src="https://mmbiz.qpic.cn/mmbiz_png/jC8rtGdWScNdxXrwibuF9V7y4ibsCVBeSh79TWlAPEzT4bniaPZF1TNYUlxz9EMGUCGYTzNnuyibD8hjRPibaS136Kw/640?wx_fmt=png" alt="" loading="lazy">
讲解我们的爬虫之前，先概述关于爬虫的简单概念（毕竟是零基础教程）
<h2 id="爬虫">爬虫</h2>
网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟浏览器发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。 
原则上，只要是浏览器(客户端)能做的事情，爬虫都能够做。
<h2 id="为什么我们要使用爬虫">为什么我们要使用爬虫</h2>
互联网大数据时代，给予我们的是生活的便利以及海量数据爆炸式的出现在网络中。
过去，我们通过书籍、报纸、电视、广播或许信息，这些信息数量有限，且是经过一定的筛选，信息相对而言比较有效，但是缺点则是信息面太过于狭窄了。不对称的信息传导，以致于我们视野受限，无法了解到更多的信息和知识。
互联网大数据时代，我们突然间，信息获取自由了，我们得到了海量的信息，但是大多数都是无效的垃圾信息。例如新浪微博，一天产生数亿条的状态更新。
在如此海量的信息碎片中，我们如何获取对自己有用的信息呢？
答案是筛选！
通过某项技术将相关的内容收集起来，再分析筛选才能得到我们真正需要的信息。
这个信息收集分析整合的工作，可应用的范畴非常的广泛，无论是生活服务、出行旅行、金融投资、各类制造业的产品市场需求等等……都能够借助这个技术获取更精准有效的信息加以利用。
网络爬虫技术，虽说有个诡异的名字，本能第一反应是那种软软的蠕动的生物，但它却是一个可以在虚拟世界里，无往不前的利器。
<h2 id="爬虫准备工作">爬虫准备工作</h2>
我们平时都说Python爬虫，其实这里可能有个误解，爬虫并不是Python独有的，可以做爬虫的语言有很多例如：PHP，JAVA，C#，C++，Python，选择Python做爬虫是因为Python相对来说比较简单，而且功能比较齐全。
首先我们需要下载python，我下载的是官方最新的版本 3.8.3
其次我们需要一个Python的代码编辑器，我用的是Pychram。
下载链接：https://www.jetbrains.com/pycharm/download/#section=windows
<img src="https://mmbiz.qpic.cn/mmbiz_png/jC8rtGdWScNZB7vgjGbxDk1W3xIibbicCtNqiaZlhNargtEctmqy5I189Am0CdN8JOiaarTx8S1kM1uicjFVic0Ks62g/640?wx_fmt=png" alt="" loading="lazy">
我们还需要一些库来支持爬虫的运行（有些库Python可能自带了)
<pre><code class="language-python"># -*- 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
</code></pre>
差不多就是这几个库了，良心的我已经在后面写好注释了。
<img src="https://mmbiz.qpic.cn/mmbiz_png/jC8rtGdWScNZB7vgjGbxDk1W3xIibbicCtj1Kia728IrzPESw8mLOM13obly8AfWyhdosxzKkr8yV9RKoXOSoLSvQ/640?wx_fmt=png" alt="" loading="lazy"> 
爬虫运行过程中，不一定就只需要上面几个库，看你爬虫的一个具体写法了，反正需要库的话我们可以直接在setting里面安装)
<h2 id="爬虫项目讲解">爬虫项目讲解</h2>
我们要爬取的就是这个网站：https://movie.douban.com/top250
我们的爬取的内容是：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。
这边我已经爬取好了，将爬取内容存入xls表中，看一下效果图：
<img src="https://mmbiz.qpic.cn/mmbiz_png/jC8rtGdWScNdxXrwibuF9V7y4ibsCVBeShQibAq56JCSppBo80qJficvUaFwD1zFmtZibRaKsnJMt9nibObiczuJaz6pg/640?wx_fmt=png" alt="" loading="lazy">
<h2 id="代码分析">代码分析</h2>
先把代码放上来，然后我根据代码逐步解析：
<pre><code class="language-python"># -*- 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'<a href="(.*?)">')# 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="(.*?)"', 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'(.*?)', 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)# 通过正则表达式查找
 data.append(link)
 imgSrc = re.findall(findImgSrc, item)
 data.append(imgSrc)
 titles = re.findall(findTitle, item)
 if (len(titles) == 2):
 ctitle = titles
 data.append(ctitle)
 otitle = titles.replace("/", "")#消除转义字符
 data.append(otitle)
 else:
 data.append(titles)
 data.append(' ')
 rating = re.findall(findRating, item)
 data.append(rating)
 judgeNum = re.findall(findJudge, item)
 data.append(judgeNum)
 inq = re.findall(findInq, item)
 if len(inq) != 0:
 inq = inq.replace("。", "")
 data.append(inq)
 else:
 data.append(" ")
 bd = re.findall(findBd, item)
 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 / 80.0.3987.122Safari / 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)#列名
for i in range(0,250):
 # print("第%d条" %(i+1)) #输出语句，用来测试
 data = datalist
 for j in range(0,8):
 sheet.write(i+1,j,data)#数据
book.save(savepath) #保存

# 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 = '"'+data+'"'
# sql = '''
# insert into movie250(
# info_link,pic_link,cname,ename,score,rated,instroduction,info)
# values (%s)'''%",".join(data)
# # print(sql) #输出查询语句，用来测试
# cur.execute(sql)
# conn.commit()
# cur.close
# conn.close()

# def init_db(dbpath):
# sql = '''
# create table movie250(
# id integerprimarykey autoincrement,
# info_link text,
# pic_link text,
# cname varchar,
# ename varchar ,
# score numeric,
# rated numeric,
# instroduction text,
# info text
# )
#
#
# '''#创建数据表
# conn = sqlite3.connect(dbpath)
# cursor = conn.cursor()
# cursor.execute(sql)
# conn.commit()
# conn.close()

# 保存数据到数据库

if __name__ == "__main__":# 当程序执行时
# 调用函数
main()
# init_db("movietest.db")
print("爬取完毕！")

</code></pre>
下面我根据代码，从下到下给大家讲解分析一遍 
<img src="https://mmbiz.qpic.cn/mmbiz_png/jC8rtGdWScNZB7vgjGbxDk1W3xIibbicCttk8zeIxLsnblNPnN8rzmTO3K6JxgG3cdwPDQYWBYXCxDgdYKtqV1MA/640?wx_fmt=png" alt="" loading="lazy">
-- codeing = utf-8 --，开头的这个是设置编码为utf-8 ，写在开头，防止乱码。
然后下面 import就是导入一些库，做做准备工作，（sqlite3这库我并没有用到所以我注释起来了）。
下面一些find开头的是正则表达式，是用来我们筛选信息的。（正则表达式用到 re 库，也可以不用正则表达式，不是必须的。）
大体流程分三步走：
<ol>
<li>爬取网页</li>
<li>逐一解析数据</li>
<li>保存网页</li>
</ol>
1.爬取网页
先分析流程1，爬取网页，baseurl 就是我们要爬虫的网页网址，往下走，调用了 getData（baseurl) ，我们来看 getData方法：
<pre><code class="language-python">for i in range(0, 10):# 调用获取页面信息的函数，10次
 url = baseurl + str(i * 25)
</code></pre>
这段大家可能看不懂，其实是这样的：
因为电影评分Top250，每个页面只显示25个，所以我们需要访问页面10次，25*10=250。
<pre><code class="language-python">baseurl = "https://movie.douban.com/top250?start="
</code></pre>
我们只要在baseurl后面加上数字就会跳到相应页面，比如i=1时
https://movie.douban.com/top250?start=25
我放上超链接，大家可以点击看看会跳到哪个页面，毕竟实践出真知。
<img src="https://mmbiz.qpic.cn/mmbiz_png/jC8rtGdWScNZB7vgjGbxDk1W3xIibbicCtLZ1ic4DlsdDibAoUicVTTCrbbpXgOREicvqlAkSAIicSuWdxpzIIUNJQ0kw/640?wx_fmt=png" alt="" loading="lazy">
然后又调用了askURL来请求网页，这个方法是请求网页的主体方法，怕大家翻页麻烦，我再把代码复制一遍，让大家有个直观感受。
<pre><code class="language-python">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 / 80.0.3987.122Safari / 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
</code></pre>
这个askURL就是用来向网页发送请求用的，那么这里就有老铁问了，为什么这里要写个head呢？
<img src="https://mmbiz.qpic.cn/mmbiz_png/jC8rtGdWScNZB7vgjGbxDk1W3xIibbicCtRktKScWGCAU2pCdwyhribjwMYibLzlibBqreNP3G8rb2YiaUNicjdvmVvng/640?wx_fmt=png" alt="" loading="lazy">
这是因为我们要是不写的话，访问某些网站的时候会被认出来爬虫，显示错误，错误代码。
<h2 id="418">418</h2>
这是一个梗大家可以百度下，
<blockquote>
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.
</blockquote>
我是一个茶壶
<img src="https://mmbiz.qpic.cn/mmbiz_png/jC8rtGdWScNdxXrwibuF9V7y4ibsCVBeShknwt7J285S0GMiaCPgRKiabpZ8RmZTsBIOztpCcTJ3lRTibwp27brzH3g/640?wx_fmt=png" alt="" loading="lazy">
所以我们需要 “装” ，装成我们就是一个浏览器，这样就不会被认出来，伪装一个身份。
<img src="https://mmbiz.qpic.cn/mmbiz_png/jC8rtGdWScNdxXrwibuF9V7y4ibsCVBeSh48RyEy2Ny7hlHibnWoWgQTbAW9cXKibMiaDbXVOdBbZu3zbupqR6mzmQA/640?wx_fmt=png" alt="" loading="lazy">
来，我们继续往下走，
<pre><code class="language-python">html = response.read().decode("utf-8")
</code></pre>
这段就是我们读取网页的内容，设置编码为utf-8，目的就是为了防止乱码。访问成功后，来到了第二个流程：
2.逐一解析数据
解析数据这里我们用到了 BeautifulSoup（靓汤）这个库，这个库是几乎是做爬虫必备的库，无论你是什么写法。
下面就开始查找符合我们要求的数据，用BeautifulSoup的方法以及 re 库的正则表达式去匹配：
<pre><code class="language-python">findLink = re.compile(r'<a href="(.*?)">')# 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="(.*?)"', 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'(.*?)', re.S)
</code></pre>
匹配到符合我们要求的数据，然后存进dataList，所以 dataList 里就存放着我们需要的数据了。
最后一个流程：
3.保存数据
<pre><code class="language-python"> # 3.保存数据
saveData(datalist,savepath) #2种存储方式可以只选择一种
# saveData2DB(datalist,dbpath)
</code></pre>
保存数据可以选择保存到 xls 表，需要（xlwt库支持）
也可以选择保存数据到 sqlite数据库，需要（sqlite3库支持）
这里我选择保存到 xls表，这也是为什么我注释了一大堆代码，注释的部分就是保存到 sqlite 数据库的代码，二者选一就行。
保存到 xls 的主体方法是 saveData （下面的saveData2DB方法是保存到sqlite数据库）：
<pre><code class="language-python">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)#列名
for i in range(0,250):
 # print("第%d条" %(i+1)) #输出语句，用来测试
 data = datalist
 for j in range(0,8):
 sheet.write(i+1,j,data)#数据
book.save(savepath) #保存
</code></pre>
创建工作表，创列（会在当前目录下创建）：
<pre><code class="language-python"> 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")
</code></pre>
然后把 dataList里的数据一条条存进去就行。最后运作成功后，会在左侧生成这么一个文件：
<img src="https://mmbiz.qpic.cn/mmbiz_png/jC8rtGdWScNZB7vgjGbxDk1W3xIibbicCth0KtqWoNNZUibtafg0hoKonMibRJv2x6ibShbJBvSgjcDag5iamicSdF2tQ/640?wx_fmt=png" alt="" loading="lazy">
打开之后看看是不是我们想要的结果： 
<img src="https://mmbiz.qpic.cn/mmbiz_png/jC8rtGdWScNdxXrwibuF9V7y4ibsCVBeShQibAq56JCSppBo80qJficvUaFwD1zFmtZibRaKsnJMt9nibObiczuJaz6pg/640?wx_fmt=png" alt="" loading="lazy">
成了，成了！
<img src="https://mmbiz.qpic.cn/mmbiz_png/jC8rtGdWScNZB7vgjGbxDk1W3xIibbicCtOnGewic5hNI9giaiaDlzZo6uFPyOf4uwSUC56ZFoTPOfIia8ZWicq63DcsA/640?wx_fmt=png" alt="" loading="lazy">
如果我们需要以数据库方式存储，可以先生成 xls 文件，再把 xls 文件导入数据库中，就可以啦
我也在不断的学习中，学到新东西第一时间会跟大家分享，大家可以动动小手，点波关注不迷路。
<hr>
本篇文章就到这里，感谢阅读，如果本篇博客有任何错误和建议，欢迎给我留言指正。文章持续更新，可以关注公众号第一时间阅读。 
<img src="https://mmbiz.qpic.cn/mmbiz_jpg/jC8rtGdWScMuzzTENRgicfnr91C5Bg9QNgMZrxFGlGXnTlXIGAKfKAibKRGJ2QrWoVBXhxpibTQxptf8MsPTyHvSg/0?wx_fmt=jpeg" alt="" loading="lazy"> 
来源：https://www.cnblogs.com/booksea/p/17570487.html

頁: [1]

琼殿技术论坛's Archiver

Python爬虫超详细讲解（零基础入门，老年人都看的懂）