基础小白,大佬轻点喷~
一、基础豆瓣爬虫
1、首先在某站上听讲解,简单建立起了对爬虫的基础框架,具体包括五个板块(当然 有些东西看个人 可写成函数 也可以直接写 但重复用到的东西建议写函数)
用到了下面五个库:
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
然后在主函数写爬取网页的步骤(在脑海有个框架)
def main():
baseurl = "https://movie.douban.com/top250?start="
# 1.爬取网页
datalist = getData(baseurl)
savepath = "豆瓣电影Top250.xls" ##./和不写就是当前文件夹 .\\就是文件系统
dbpath = "movie.db"
# 3.保存数据
saveData(datalist,savepath)
# savaData2DB(datalist,dbpath)
#askURL("https://movie.douban.com/top250?start=")
保存路径有两个方式,一个是保存到Excel,另一个是保存到MySql(数据量小可选择前者 量大则选择后者)
2、然后写爬取网页的函数,注意观察豆瓣页面,一共10页,每页25个电影。https://movie.douban.com/top250?start=(具体数字) 0就是第一页 ,以此类推
故可用循环写入列表中
def getData(baseurl):
datalist = []
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
通过BeautifulSoup 解析网页,获取数据
soup = BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_="item"): ##查找符合要求的字符串,行程列表
#print(item) ##测试查看电影item 全部信息
data = [] ##保存一部电影的所有信息
item = str(item)
3、模拟浏览器头部信息,向豆瓣服务器发送消息,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,我们可以接受什么水平的文件内容)可以去主函数测试一下askURL,看是否成功模拟浏览器
def askURL(url):
head = { "User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 94.0.4606.61Safari / 537.36Edg / 94.0.992.31"}
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) ##看错误信息
if hasattr(e,"reason"):
print(e.reason) ##看错误信息产生的原因
return html
可以去主函数测试一下askURL,看是否成功模拟浏览器
4、保存数据
1)保存到Excel
def saveData(datalist,savepath):
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) #cell_overwrite_ok=True每一个单元往里面输入的时候直接覆盖掉里面的内容
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))
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #数据
book.save(savepath) #保存
2)保存到MySql
# def init_db(dbpath):
# ##autoincrement 是一个关键字,用于表中的字段值自动递增
# ##text表示文本格式 后面加的就是跟的格式
# sql = '''
# create table movie250
# (
# id integer primary key autoincrement ,
# info_link text,
# pic_link text,
# cname varchar,
# ename varchar,
# score numeric,
# rated numeric,
# instroduction text,
# info text
# )
#
#
# ''' #创建数据库
# conn = sqlite3.connect(dbpath)
# cursor = conn.cursor()
# cursor.execute(sql)
# conn.commit()
# conn.close()
# def savaData2DB(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[index] = '"'+data[index]+'"'
# sql = '''
# insert into movie250(
# info_link,pic_link,cname,ename,score,rated,instroduction,info)
# values(%s)'''%",".join(data)
# print(sql)
# cur.execute(sql)
# conn.commit()
# cur.close()
# conn.close()
5、当然最后也别忘记调用主函数
if __name__ =="__main__": ##当程序执行时
##调用函数
main()
#init_db("movietest.db") ##测试movietest.db是否生成
print("爬虫完毕!")
6、以上完整操作知识获取到了这个页面,但是并没有说明我想找到什么,所以我们还需要去主函数添加你想得到的东西,运用re库中的compile(findall也是可以的)
##影片详情链接的规则
findlink = re.compile(r'<a href="(.*?)">') ##re.compile()创建正则表达式对象,表示规则(字符串的模式)
##影片图片的链接
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S) ##re.S让换行符包含在字符中
##影片的片名
findTitle= re.compile(r'<span class="title">(.*)</span>')
##影片的评分
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)
7、getData中也需要在for循环下去逐一解析数据,最后全部添加到一个列表中
# 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,行程列表
#print(item) ##测试查看电影item 全部信息
data = [] ##保存一部电影的所有信息
item = str(item)
##影片详情的链接
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] ##添加中文名
data.append(ctitle)
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(' ') ##给没有外国名的影片留空,保持对应
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] #找到影片的相关内容
bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd) #去掉<br/>
bd = re.sub('/'," ",bd) #替换/
data.append(bd.strip()) ##去掉前后空格
datalist.append(data) ##把处理好的一部电影信息放入datalist
#print(datalist) ##打印全部代码的信息
return datalist
二、东方财富网爬取名称与数据
爬取名称,相当于就是在页面表面的东西,直接可以通过re库中的compile找到要爬取的名称
findTitle = re.compile(r'<a href="(.*?)">(.*?)</a>')
其他都可参照一中的豆瓣爬虫写,比一更简单
下图呈现构造模拟浏览器参数
爬取数据比爬取名称复杂一点,最重要的是找到如下展示的这些元素:
params = {
'cb': 'jQuery112302973922664351607_1634440511064',
'lmt': '0',
'klt': '101',
'fields1': 'f1,f2,f3,f7',
'fields2': 'f51,f52,f53,f54,f55,f56,f57,f58,f59,f60,f61,f62,f63,f64,f65',
'ut': 'b2884a393a59ad64002292a3e90d46a5',
'secid': '0.000005',
'_': '1634440511065'
}
具体情况需要具体分析,可以去网页页面右击检查里的网络里去找,有很多get?cb=……,要具体去看需要的是什么,再爬。
爬下来后注意看数据的形式,很多数据都是不规整的,需要通过strip(),join()或者split()去调节成可以用的数据,对于东方财富网这种数据量大的,建议直接保存到啊MySql。下图为展示
最后一些小技巧帮友友们避个雷
1、在cmd输入ipconfig/flushdns,重置IP,适用于被禁IP的友友~
2、正则表达式中的(.*)和(.*?),前者适用于查找全部数据放在一个框下架的,取全部,若用后者取,只能取到全部中的一个参数;后者适用于固定格式但不是直接相连的数据。(具体情况具体分析哦~)
3、用navicat可下载一个phpstdudy,启动一三即可,连接数据库即可用~
4、数据库若报错pymysql.err.InterfaceError: (0, ''),只需要加上一行conn.ping(reconnect=True),重新连接到数据库即可~
若有错误的地方,尽请大佬指教~ ...>.<...