设计思路
- 选择技术栈:确定使用Python及其相关库,如requests用于发送网络请求,获取网址,用re(正则表达式)或BeautifulSoup用于页面内容解析。
- 设计流程:规划爬虫的基本流程,包括发起请求、接受响应、解析内容、存储数据等环节。
- 模块设计:本设计用了4大模块,包括主体模块、爬取网页数据模块、获取网页数据模块以及保存数据模块。
- 错误处理:设计对网络请求错误(如连接超时、服务器错误等)的处理机制,确保程序的稳定
实现过程
首先打开想要爬取的网页,然后定义了存储数据的文件路径,如果这个网页不能爬取,要写一个反爬取的,通过设置请求头和合理的访问间隔来解决,在网络中找到'User-Agent'的请求头,就能破解较为简单的发爬虫机制了。然后导入相关的库,再创建了一个爬取网页数据的geturl函数,写入发爬取的请求头和使用requests库并设置合适的请求体向目标网页发送请求,在这个函数里写入错误处理的代码,如果请求过程中出现异常,会打印出错误信息并返回空值。其次,定义了获取数据的getdata函数,通过BeautifulSoup解析数据,从获取到的网页内容中提取想要的内容。然后定义一个保存数据的savedata函数,将数据保存到想要保存的地方,最后调用主体函数,完成网页爬取过程。
pythonfrom bs4 import BeautifulSoup import re # 正则表达式,进行文字匹配 import urllib.request, urllib.error # 指定URL,获取网页数据 import xlwt # 进行excel操作 def main(): baseurl = "https://movie.douban.com/top250?start=" datalist = getdata(baseurl) savepath = ".\\豆瓣电影top250.xls" savedata(datalist, savepath) ##获取网页数据 def getdata(baseurl): id = 0 # 存储数据列表 datalist = [] ##豆瓣页面上一共有十页信息,一页爬取完成后继续下一页 for i in range(0, 10): url = baseurl + str(i * 25) html = geturl(url) # 构建了一个BeautifulSoup类型的对象soup,是解析html的 # html.parser是解析html的 soup = BeautifulSoup(html, "html.parser") # 获取数据 movie_items = soup.find_all("div", class_='item') for item in movie_items: id += 1 # 保存HTML中一部电影的所有信息 data = [] # 获取文字 title = item.select_one('.title').text # print(title) # 将那段文字分成列表 time_data = item.select('.bd p')[0].text.split('\n') # print(time_data) # 将时间挑选出来 time = time_data[2].replace(' ', '').split('/')[0] # print(time) # 将国家挑选出来 country = time_data[2].replace(' ', '').split('/')[1] # print(country) # 酱想要的内容追加到数据中 data.append(id) data.append(title) data.append(time) data.append(country) # 讲各部电影的信息存储在数据列表中 datalist.append(data) return datalist ##保存数据 def savedata(datalist, savepath): workbook = xlwt.Workbook(encoding="utf-8", style_compression=0) ##style_compression=0不压缩 worksheet = workbook.add_sheet("豆瓣电影top250", cell_overwrite_ok=True) # cell_overwrite_ok=True再次写入数据覆盖 column = ("排名", "电影名", "时间", "国家") ##execl项目栏 for i in range(0, 4): worksheet.write(0, i, column[i]) # 将column[i]的内容保存在第0行,第i列 for i in range(0, 250): data = datalist[i] for j in range(0, 4): worksheet.write(i + 1, j, data[j]) workbook.save(savepath) ##爬取网页 def geturl(url): # 破解反爬虫 head = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) " "AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36" } req = urllib.request.Request(url, headers=head) try: ##异常检测 response = urllib.request.urlopen(req) html = response.read().decode("utf-8") except urllib.error.URLError as e: if hasattr(e, "code"): ##如果错误中有这个属性的话 print(e.code) if hasattr(e, "reason"): print(e.reason) return html # 提示文字并执行 if __name__ == '__main__': main() print("爬取成功!!!")