第一篇:pycharm 爬虫——初见
发布日期:2022-03-04 11:48:27
浏览次数:12
分类:技术文章
本文共 3997 字,大约阅读时间需要 13 分钟。
初衷:踏入互联网的门槛,时日并不长,一步步慢慢爬过来,因此,想把自己的历程做个记录,时不时,回头看看自己的一步一个脚印。
下面正题开始:
一.为什么要学习爬虫?
因为需要些数据做个项目,当然,用keggle是个不错的选。但是,看到别人可以把网上的数据爬取下来,做个分析,觉得很酷。既然自己也想要这么酷酷的,那么,何不试试看呢?
二.爬虫前准备
去年就看过爬虫的教程,我发现,那种把所有爬虫需要的理论全部讲完,然后再去爬取数据的课程,不适合我,我需要的是,有一个目的,然后根据这个目的,去找能让我达成这个目的的东西,然后一路边学习,边成就,去往目的地。恰好,幸运的我在b站找到这样一个教程,学习开始。
三.爬虫开始
首先,理清思路,我们需要一个程序,一段代码,可以爬取数据,然后把爬取的数据保存成我们想要的样子。
第一步:主程序#主程序if __name__ =="__main__": #当程序执行时 #调用函数 main() print("爬取完毕!")main是什么我们不知道,因此,定义一个main函数,里边要包括怎么去获取网页,怎么去存储获得的数据。getData和saveData是什么不知道,需要定义。
ef 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 saveDate(datalist,savepath)
第二步:填满程序
1.解决getData
#影片详情链接的规则findLink=re.compile(r'')#影片图片的链接findImgSrc=re.compile(r'(.*)')#影片的评分findRating=re.compile(r' (\d*)人评价')#找到概况findInq=re.compile(r' (.*)')#找到影片的相关内容findBd=re.compile(r' ')#评价人数findJudge=re.compile(r'(.*?)
',re.S)#爬取网页def getData(baseurl): datalist=[] for i in range(0,10): # 调用或许页面信息的函数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") soup = BeautifulSoup(html, 'lxml') 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) #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] #通过正则表达式来寻找合适的字符串 data.append(link) #添加链接 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("/","") #去掉无关的符号 data.append(otitle) #添加外国名 else: data.append(titles[0]) data.append('') #外国名留空这一列 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) else: data.append("") #留空 bd=re.findall(findBd,item)[0] bd=re.sub('
(\s+)?'," ",bd) #去掉 bd=re.sub('/', " ", bd) #替换/ data.append(bd.strip()) #去掉前后的空格 datalist.append(data) #将处理好的一部电影信息放入datalist return datalist#得到制定一个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 (Macintosh; Intel Mac OS X 11_2_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36" } #用户代理:表示告诉豆瓣浏览器,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数据类型) 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
2.解决savedata
#保存数据def saveDate(data,savepath): #baseurl = "https://movie.douban.com/top250?start=" # 1.爬取网页 datalist = data 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","评价树","概况","相关信息") for i in range(0, 8): sheet.write(0,i,col[i]) 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]) book.save(savepath) #保存数据表
最后,这个是所有的程序了,运行完这些代码后,就可以获得豆瓣的前250个电影及影评了。
但是,这个只是跟着老师做了一遍,下次,若自己想要爬取别的网页,该当如何,所以,这里边的一些别的函数,不懂的应该要搞清楚。转载地址:https://blog.csdn.net/xxy_yinji/article/details/115369447 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!
发表评论
最新留言
路过,博主的博客真漂亮。。
[***.116.15.85]2024年03月21日 15时08分26秒
关于作者
喝酒易醉,品茶养心,人生如梦,品茶悟道,何以解忧?唯有杜康!
-- 愿君每日到此一游!
推荐文章
【Leetcode刷题篇】leetcode79 单词搜索
2019-04-26
【Leetcode刷题篇】leetcode300 最长上升子序列
2019-04-26
【Leetcode刷题篇】leetcode394 字符串解码
2019-04-26
【Leetcode刷题篇】leetcode152 乘积最大数组
2019-04-26
【Leetcode刷题篇】leetcode56 合并区间
2019-04-26
【Leetcode刷题篇】leetcode210 课程表II
2019-04-26
【Leetcode刷题篇】leetcode207 课程表
2019-04-26
【Leetcode刷题篇】leetcode322 零钱兑换
2019-04-26
【Leetcode刷题篇】leetcode437 路径总和III
2019-04-26
【Linux篇】Linux常用命令之性能优化
2019-04-26
【面试篇】JVM体系
2019-04-26
【Leetcode刷题篇】leetcode406 根据身高重建队列
2019-04-26
【Leetcode刷题篇】leetcode581 最短无序连续子数组
2019-04-26
【Leetcode刷题篇】leetcode538 把二叉搜索树转换为累加树
2019-04-26
【多线程与高并发】线程的优先级是怎么回事?
2019-04-26
【多线程与高并发】Java守护线程是什么?什么是Java的守护线程?
2019-04-26
【Leetcode刷题篇/面试篇】-前缀树(Trie)
2019-04-26
【Leetcode刷题篇】leetcode337 打家劫舍III
2019-04-26
【Leetcode刷题篇】leetcode4 寻找两个正序数组的中位数
2019-04-26
【Leetcode刷题篇】leetcode316 去除重复字母
2019-04-26