标签：item python 爬取 re print datalist 源代码 data append

初学爬虫，学习一下三方库的使用以及简单静态网页的分析。就跟着视频写了一个爬取豆瓣Top250排行榜的爬虫。

网页分析

我个人感觉写爬虫最重要的就是分析网页，找到网页的规律，找到自己需要内容所在的地方，细化到他在哪个div里面，在哪个class里面，在哪个a标签里面。

 

 从上面的图中可以看出，有很多信息。包括电影名、英文名、简介、评价、评价人数、相关信息

 

 

 

 当我们打开控制台，可以看到电影的链接、图片的链接。

可以看到电影名在一个span里面、概况在一个p标签里面、评价在一个div里面的一个span中等等。

找到我们需要信息的位置，其实每一个电影项的信息都是在相同的标签里面，每一页都25个项，一共有10页，每一页的链接后缀https://movie.douban.com/top250?start=25只需要更改start后面的数字，我们可以用一个循环来解决爬取多页。

 

爬取流程

一、引入第三方库

我们需要访问目的网址，进行正则分析，操作excel、保存到数据库等等都需要用到三方库。

from bs4 import BeautifulSoup  #网页解析
import re    #正则表表达式文字匹配
import urllib.request,urllib.error  #指定url，获取网页数据
import xlwt  #进行excel操作
import sqlite3  #进行SQLite数据库操作
import pymysql.cursors  #连接mysql数据库

二、访问目标网址

我们通过request库进行访问目标网页，并返回网页的全部源代码以字符串的形式保存。

访问的时候我们需要查看网页是通过什么方式返回的请求。

 

 我们发现是get请求，只要url和请求头就可以。如果是post请求，需要封装data数据。

def askURL(url):
    head = {   #伪装请求头，模拟浏览器访问
       "User-Agent":" Mozilla / 5.0(Linux;Android6.0;Nexus5 Build / MRA58N) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 99.0.4844.51Mobile Safari / 537.36"
    }
    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  #返回爬到所有的html数据

 

三、正则匹配数据

我们获取到全部网页源代码后还需要匹配到我们自己需要的数据，在标签中把数据提取出来。

正则表达式：

findlink = re.compile(r'a href="(.*?)">')   #电影链接
findImageSrc = re.compile(r'<img.*src="(.*?)"',re.S)   #re.S让换行符包含着其中  #图片链接
findTitle = re.compile(r'<span class="title">(.*)</span>')      #标题
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')   #评分
findJudge = re.compile(r'<span>(\d*)人评价</span>')    #人数
findInq = re.compile(r'<span class="inq">(.*)</span>')  #概况
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)  #相关信息

提取匹配数据并保存到列表中。

def getdata(baseurl):
    datalist = []  #2 解析数据
    for i in range(0,10):
        url = baseurl + str(i*25)
        html = askURL(url)
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):
            #print(item)
            data = []
            item = str(item)
            link = re.findall(findlink,item)[0]
            data.append(link)
            image = re.findall(findImageSrc,item)[0]
            data.append(image)

            title = re.findall(findTitle,item)
            if(len(title )==2):
                ctitle = title[0]
                data.append(ctitle)
                otitle = title[1].replace("/","")
                data.append(otitle.strip())
            else:
                data.append(title[0])
                data.append(" ")

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

            judgeNum = re.findall(findJudge,item)[0]    #添加评价人数
            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)
            bd = re.sub('\xa0', " ", bd)
            bd = re.sub('\n', " ", bd)
            data.append(bd.strip())
            datalist.append(data)
    print(datalist)
    return datalist

 

四、保存数据到excel中

def saveData(datalist,savepath):
    print("save...")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)
    sheet = book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)
    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")      #创建列
    for i in range(0,8):
        sheet.write(0,i,col[i])
    for i in range(0,250):           #保存数据
        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)

 

五、保存到MYSQL中（附加，可以不用）

def conn(datalist):
    conn = pymysql.connect(host='localhost',user='root',password='1767737316.',database='douban',cursorclass=pymysql.cursors.DictCursor)
    cursor = conn.cursor()

    for i in range(0,250):
        list = datalist[i]
        data1 = tuple(list)
        sql = 'insert into top250(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) values(%s,%s,%s,%s,%s,%s,%s,%s)'
        # (2)准备数据
        # (3)操作
        try:
            cursor.execute(sql, data1)
            conn.commit()
        except Exception as e:
            print('插入数据失败', e)
            conn.rollback()  # 回滚
        # 关闭游标
        # cursor.close()
        # 关闭连接
        # conn.close()

 

六、程序入口

if __name__ == "__main__":
    main()
    print("爬取完毕！")
    print("保存到数据库！")

 

完整源代码

# -*- coding = utf-8 -*-
# @Time : 2022/4/24 16:08
# @Author :王敬博
# @File : spider.py
# @Software: PyCharm
from bs4 import BeautifulSoup  #网页解析
import re    #正则表表达式文字匹配
import urllib.request,urllib.error  #指定url，获取网页数据
import xlwt  #进行excel操作
import sqlite3  #进行SQLite数据库操作
import pymysql.cursors

findlink = re.compile(r'a href="(.*?)">')   #电影链接
findImageSrc = re.compile(r'<img.*src="(.*?)"',re.S)   #re.S让换行符包含着其中  #图片链接
findTitle = re.compile(r'<span class="title">(.*)</span>')      #标题
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')   #评分
findJudge = re.compile(r'<span>(\d*)人评价</span>')    #人数
findInq = re.compile(r'<span class="inq">(.*)</span>')  #概况
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)  #相关信息


def main():
    baseurl = "https://movie.douban.com/top250?start="
    datalist = getdata(baseurl)
    print(datalist)
    #1 爬取网页
    savepath = ".\\豆瓣电影Top250.xls"
    saveData(datalist,savepath)
    conn(datalist)


def askURL(url):
    head = {
       "User-Agent":" Mozilla / 5.0(Linux;Android6.0;Nexus5 Build / MRA58N) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 99.0.4844.51Mobile Safari / 537.36"
    }
    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


#爬取网页
def getdata(baseurl):
    datalist = []  #2 解析数据
    for i in range(0,10):
        url = baseurl + str(i*25)
        html = askURL(url)
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"):
            #print(item)
            data = []
            item = str(item)
            link = re.findall(findlink,item)[0]
            data.append(link)
            image = re.findall(findImageSrc,item)[0]
            data.append(image)

            title = re.findall(findTitle,item)
            if(len(title )==2):
                ctitle = title[0]
                data.append(ctitle)
                otitle = title[1].replace("/","")
                data.append(otitle.strip())
            else:
                data.append(title[0])
                data.append(" ")

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

            judgeNum = re.findall(findJudge,item)[0]    #添加评价人数
            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)
            bd = re.sub('\xa0', " ", bd)
            bd = re.sub('\n', " ", bd)
            data.append(bd.strip())
            datalist.append(data)
    print(datalist)
    return datalist

 #3 保存数据
def saveData(datalist,savepath):
    print("save...")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)
    sheet = book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True)
    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])
    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)


def conn(datalist):
    conn = pymysql.connect(host='localhost',user='root',password='1767737316.',database='douban',cursorclass=pymysql.cursors.DictCursor)
    cursor = conn.cursor()

    for i in range(0,250):
        list = datalist[i]
        data1 = tuple(list)
        sql = 'insert into top250(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) values(%s,%s,%s,%s,%s,%s,%s,%s)'
        # (2)准备数据
        # (3)操作
        try:
            cursor.execute(sql, data1)
            conn.commit()
        except Exception as e:
            print('插入数据失败', e)
            conn.rollback()  # 回滚
        # 关闭游标
        # cursor.close()
        # 关闭连接
        # conn.close()


if __name__ == "__main__":
    main()
    print("爬取完毕！")
    print("保存到数据库！")

 

效果截图

 

 

 

 

 

到这里就结束了，如果有问题可以问我，如果觉得对你有帮助的话可以点个赞哦！

标签：item,python,爬取,re,print,datalist,源代码,data,append
来源： https://www.cnblogs.com/wjingbo/p/16244253.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。