首先我们可以先了解以下网络爬虫的定义:
**爬虫是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。**它可以在互联网上自动抓取网页内容,将这些信息存储起来。爬虫可以抓取网站的所有网页,从而获取对于我们有价值的信息。爬虫主要由调度器、URL管理器、网页下载器、网页解析器、应用程序(爬取的有价值数据)五个部分组成。使用Python可以很方便地编写出爬虫程序,进行互联网信息的自动化检索。
下面我们就可以开始进行一个小实验,来深入了解以下爬虫获取数据的能力。
实验目标:
- 能够使用Matplotlib的图像可视化
- 掌握Python的基本语法
- 能够操作创建并维护Python中Matplotlib显示中文编码问题
- 主要是用来熟练pandas和爬虫及可视化技能
- 爬取豆瓣网的top250的电影信息并保存在本地
第一步,我们需要对豆瓣网进行一个URL的获取:
python
import requests
def urlopen():
header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
url=requests.get('https://movie.douban.com/top250',headers=header)
print(url)
成功之后会返回一个Response 200(这样我们就能成功的获取它的URL)
下面我们就开始进行爬取豆瓣网TOP250的数据了(源码在最下面),这里是针对豆瓣电影 Top 250来进行数据获取的:
python
def askURL(url):
head = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.116 Safari/537.36"
} #伪装成网页的形式,请求网页信息
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
重点说一下这个head ,head 放在这个地方,就是用来模拟浏览器的头部信息,模拟浏览器向豆瓣服务器发送信息,如果没有的话,就会被网页识别为爬虫,从而被拒绝访问。head其实就是一个用户代理,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)
最后就会获取这样一个excel文件:
以下是源码(重点步骤有所标注):
python
from bs4 import BeautifulSoup # 导入BeautifulSoup库,用于解析网页
import re # 导入正则表达式库,用于进行文字匹配
import urllib.request,urllib.error # 导入urllib库,用于制定url和获取网页数据
import xlwt # 导入xlwt库,用于进行excel操作
import sqlite3 # 导入sqlite3库,用于进行SQLite数据库操作
def main():
baseurl = "https://movie.douban.com/top250?start="
# 爬取网页
datalist = getData(baseurl)
# 保存数据
savepath = "豆瓣电影Top250.xls"
saveData(datalist,savepath)
# 定义电影链接的正则表达式
findLink = re.compile(r'<a href="(.*?)">')
# 定义封面图片的正则表达式
findImgSrc = re.compile(r'<img.*.*>',re.S)
# 定义电影名称的正则表达式
findTitle = re.compile(r'<span class="title">(.*)</span>')
# 定义评分的正则表达式
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
# 定义评价人数的正则表达式
findJudge = re.compile(r'<span>(\d*)人评价</span>')
# 定义概况的正则表达式
findInq = re.compile(r'<span class="inq">(.*)</span>')
# 定义电影详细内容的正则表达式
findBd = re.compile(r'<p class="">(.*?)</p>',re.S)
# 爬取网页
def getData(baseurl):
datalist = []
for i in range(0,10):
url = baseurl + str(i*25)
html = askURL(url)
# 逐一解析数据
soup = BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_="item"):
data = []
item = str(item)
Link = re.findall(findLink,item)[0]
data.append(Link)
ImgSrc = re.findall(findImgSrc,item)[0]
data.append(ImgSrc)
Title = re.findall(findTitle,item)
if len(Title)==2:
ctitle = Title[0]
data.append(ctitle)
otitle = Title[1].replace("/","")
data.append(otitle)
else:
data.append(Title[0])
data.append(' ')
Rating = re.findall(findRating,item)[0]
data.append(Rating)
Judge = re.findall(findJudge,item)[0]
data.append(Judge)
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)
data.append(Bd.strip())
datalist.append(data) # 把处理好的一个电影信息存储到datalist中
return datalist
# 获取指定一个网页内容
def askURL(url):
head = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.116 Safari/537.36"
} # 伪装成网页的形式,请求网页信息
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
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","封面链接","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('豆瓣电影Top250.xls')
main()
print("爬取完毕")