[[435644]]

講解我們的爬蟲之前，先概述關于爬蟲的簡單概念(畢竟是零基礎教程)

爬蟲

網(wǎng)絡爬蟲(又被稱為網(wǎng)頁蜘蛛，網(wǎng)絡機器人)就是模擬瀏覽器發(fā)送網(wǎng)絡請求，接收請求響應，一種按照一定的規(guī)則，自動地抓取互聯(lián)網(wǎng)信息的程序。

原則上,只要是瀏覽器(客戶端)能做的事情，爬蟲都能夠做。

為什么我們要使用爬蟲

互聯(lián)網(wǎng)大數(shù)據(jù)時代，給予我們生活的便利以及海量數(shù)據(jù)爆炸式地出現(xiàn)在網(wǎng)絡中。

過去，我們通過書籍、報紙、電視、廣播或許信息，這些信息數(shù)量有限，且是經(jīng)過一定的篩選，信息相對而言比較有效，但是缺點則是信息面太過于狹窄了。不對稱的信息傳導，以致于我們視野受限，無法了解到更多的信息和知識。

互聯(lián)網(wǎng)大數(shù)據(jù)時代，我們突然間，信息獲取自由了，我們得到了海量的信息，但是大多數(shù)都是無效的垃圾信息。

例如新浪微博，一天產生數(shù)億條的狀態(tài)更新，而在百度搜索引擎中，隨意搜一條——減肥100,000,000條信息。

在如此海量的信息碎片中，我們如何獲取對自己有用的信息呢?

答案是篩選!

通過某項技術將相關的內容收集起來，在分析刪選才能得到我們真正需要的信息。

這個信息收集分析整合的工作，可應用的范疇非常的廣泛，無論是生活服務、出行旅行、金融投資、各類制造業(yè)的產品市場需求等等……都能夠借助這個技術獲取更精準有效的信息加以利用。

網(wǎng)絡爬蟲技術，雖說有個詭異的名字，讓能第一反應是那種軟軟的蠕動的生物，但它卻是一個可以在虛擬世界里，無往不前的利器。

爬蟲準備工作

我們平時都說Python爬蟲，其實這里可能有個誤解，爬蟲并不是Python獨有的，可以做爬蟲的語言有很多例如：PHP,JAVA,C#,C++,Python，選擇Python做爬蟲是因為Python相對來說比較簡單，而且功能比較齊全。

首先我們需要下載python，我下載的是官方最新的版本 3.8.3

其次我們需要一個運行Python的環(huán)境，我用的是pychram

也可以從官方下載，

我們還需要一些庫來支持爬蟲的運行(有些庫Python可能自帶了)

差不多就是這幾個庫了，良心的我已經(jīng)在后面寫好注釋了

(爬蟲運行過程中，不一定就只需要上面幾個庫，看你爬蟲的一個具體寫法了，反正需要庫的話我們可以直接在setting里面安裝)

爬蟲項目講解

我做的是爬取豆瓣評分電影Top250的爬蟲代碼

我們要爬取的就是這個網(wǎng)站：

https://movie.douban.com/top250

這邊我已經(jīng)爬取完畢，給大家看下效果圖，我是將爬取到的內容存到xls中

我們的爬取的內容是：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(shù)，概況，相關信息。

代碼分析

先把代碼發(fā)放上來，然后我再根據(jù)代碼逐步解析

# -*- codeing = utf-8 -*- 
from bs4 import BeautifulSoup  # 網(wǎng)頁解析，獲取數(shù)據(jù) 
import re  # 正則表達式，進行文字匹配` 
import urllib.request, urllib.error  # 制定URL，獲取網(wǎng)頁數(shù)據(jù) 
import xlwt  # 進行excel操作 
#import sqlite3  # 進行SQLite數(shù)據(jù)庫操作 
 
findLink = re.compile(r'<a href="(.*?)">')  # 創(chuàng)建正則表達式對象，標售規(guī)則   影片詳情鏈接的規(guī)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(wǎng)頁鏈接 
    # 1.爬取網(wǎng)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"              #當前目錄新建數(shù)據(jù)庫，存儲進去 
    # 3.保存數(shù)據(jù) 
    saveData(datalist,savepath)      #2種存儲方式可以只選擇一種 
    # saveData2DB(datalist,dbpath) 
 
 
 
# 爬取網(wǎng)頁 
def getData(baseurl): 
    datalist = []  #用來存儲爬取的網(wǎng)頁信息 
    for i in range(0, 10):  # 調用獲取頁面信息的函數(shù)，10次 
        url = baseurl + str(i * 25) 
        html = askURL(url)  # 保存獲取到的網(wǎng)頁源碼 
        # 2.逐一解析數(shù)據(jù) 
        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("/", "")  #消除轉義字符 
                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(wǎng)頁內容 
def askURL(url): 
    head = {  # 模擬瀏覽器頭部信息，向豆瓣服務器發(fā)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，表示告訴豆瓣服務器，我們是什么類型的機器、瀏覽器（本質上是告訴瀏覽器，我們可以接收什么水平的文件內容） 
 
    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(shù)據(jù)到表格 
def saveData(datalist,savepath): 
    print("save.......") 
    book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創(chuàng)建workbook對象 
    sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)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(shù)","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(shù)據(jù) 
    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[index] = '"'+data[index]+'"' 
#             sql = ''' 
#                     insert into movie250( 
#                     info_link,pic_link,cname,ename,score,rated,instroduction,info) 
#                     values (%s)'''%",".join(data) 
#             # print(sql)     #輸出查詢語句，用來測試 
#             cur.execute(sql) 
#             conn.commit() 
#     cur.close 
#     conn.close() 
 
 
# def init_db(dbpath): 
#     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 
#         ) 
# 
# 
#     '''  #創(chuàng)建數(shù)據(jù)表 
#     conn = sqlite3.connect(dbpath) 
#     cursor = conn.cursor() 
#     cursor.execute(sql) 
#     conn.commit() 
#     conn.close() 
 
# 保存數(shù)據(jù)到數(shù)據(jù)庫 
 
 
 
 
 
 
 
if __name__ == "__main__":  # 當程序執(zhí)行時 
    # 調用函數(shù) 
     main() 
    # init_db("movietest.db") 
     print("爬取完畢！") 

 下面我根據(jù)代碼，從上到下給大家講解分析一遍

-- codeing = utf-8 --，開頭的這個是設置編碼為utf-8 ，寫在開頭，防止亂碼。

然后下面 import就是導入一些庫，做做準備工作，(sqlite3這庫我并沒有用到所以我注釋起來了)。

下面一些find開頭的是正則表達式，是用來我們篩選信息的。

(正則表達式用到 re 庫克，也可以不用正則表達式，不是必須的。)

大體流程分三步走：

1. 爬取網(wǎng)頁

2.逐一解析數(shù)據(jù)

3. 保存網(wǎng)頁

先分析流程1，爬取網(wǎng)頁，baseurl 就是我們要爬蟲的網(wǎng)頁網(wǎng)址，往下走，調用了 getData(baseurl) ,

我們來看 getData方法

for i in range(0, 10):  # 調用獲取頁面信息的函數(shù)，10次 
      url = baseurl + str(i * 25) 

 這段時間大家可能看不懂，其實是這樣的：

因為電影評分Top250，每個頁面只顯示25個，所以我們需要訪問頁面10次，25*10=250。

baseurl = "https://movie.douban.com/top250?start=" 

我們只要在baseurl后面加上數(shù)字就會跳到相應頁面，比如i=1時

https://movie.douban.com/top250?start=25 

我放上超鏈接，大家可以點擊看看會跳到哪個頁面，畢竟實踐出真知。

然后又調用了askURL來請求網(wǎng)頁，這個方法是請求網(wǎng)頁的主體方法，

怕大家翻頁麻煩，我再把代碼復制一遍，讓大家有個直觀的感受

def askURL(url): 
    head = {  # 模擬瀏覽器頭部信息，向豆瓣服務器發(fā)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，表示告訴豆瓣服務器，我們是什么類型的機器、瀏覽器（本質上是告訴瀏覽器，我們可以接收什么水平的文件內容） 
 
    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 

 這個askURL就是用來向網(wǎng)頁發(fā)送請求用的，那么這里就有老鐵問了，為什么這里要寫個head呢?

這是因為我們要是不寫的話，訪問某些網(wǎng)站的時候會被認出來爬蟲，顯示錯誤，錯誤代碼

418

這是一個梗大家可以百度一下，

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. 

 我是一個茶壺

所以我們需要 “裝” ，裝成我們就是一個瀏覽器，這樣就不會被認出來，

偽裝一個身份。

來，我們繼續(xù)往下走，

html = response.read().decode("utf-8") 

這段就是我們讀取網(wǎng)頁的內容，設置編碼為utf-8，目的就是為了防止亂碼。

訪問成功后，來到了第二個流程：

2.逐一解析數(shù)據(jù)

解析數(shù)據(jù)這里我們用到了 BeautifulSoup(靚湯) 這個庫，這個庫是幾乎是做爬蟲必備的庫，無論你是什么寫法。

下面就開始查找符合我們要求的數(shù)據(jù)，用BeautifulSoup的方法以及 re 庫的

正則表達式去匹配，

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

匹配到符合我們要求的數(shù)據(jù)，然后存進 dataList ， 所以 dataList 里就存放著我們需要的數(shù)據(jù)了。

最后一個流程：

3.保存數(shù)據(jù)

# 3.保存數(shù)據(jù) 
  saveData(datalist,savepath)      #2種存儲方式可以只選擇一種 
  # saveData2DB(datalist,dbpath) 

保存數(shù)據(jù)可以選擇保存到 xls 表， 需要(xlwt庫支持)

也可以選擇保存數(shù)據(jù)到 sqlite數(shù)據(jù)庫， 需要(sqlite3庫支持)

這里我選擇保存到 xls 表 ，這也是為什么我注釋了一大堆代碼，注釋的部分就是保存到 sqlite 數(shù)據(jù)庫的代碼，二者選一就行

保存到 xls 的主體方法是 saveData (下面的saveData2DB方法是保存到sqlite數(shù)據(jù)庫)：

def saveData(datalist,savepath): 
    print("save.......") 
    book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創(chuàng)建workbook對象 
    sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)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(shù)","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(shù)據(jù) 
    book.save(savepath) #保存 

 創(chuàng)建工作表，創(chuàng)列(會在當前目錄下創(chuàng)建)，

sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創(chuàng)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(shù)","概況","相關信息") 

 然后把 dataList里的數(shù)據(jù)一條條存進去就行。

最后運作成功后，會在左側生成這么一個文件

打開之后看看是不是我們想要的結果

成了，成了!

如果我們需要以數(shù)據(jù)庫方式存儲，可以先生成 xls 文件，再把 xls 文件導入數(shù)據(jù)庫中，就可以啦

本篇文章講解到這里啦，我感覺我講的還算細致吧，爬蟲我也是最近才可以學 。