python网页数据抓取(Python基础知识：函数用于测试程序管理函数的执行顺序例子 )
优采云 发布时间: 2022-01-20 10:12python网页数据抓取(Python基础知识：函数用于测试程序管理函数的执行顺序例子
)
如果服务器能正常响应，就会得到一个Response，就是要获取的页面内容。
解析内容
获取的内容可能是HTML、json等格式，可以用页面解析库、正则表达式等进行解析。
保存数据
以多种形式保存，可以保存为文本，也可以保存到数据库，或者以特定格式保存文件。
二.准备工作1.网页路径规则
从 1 日开始显示
26日起上映
2.网址分析
页面收录250条电影数据，分为10页，每页25条
各页面URL的区别：最终值=(pages - 1)* 25
3.分析页面
使用Chrome开发者工具（F12)分析网页，在Elements下找到需要的数据位置
在页面中选择一个元素来检查它 Ctrl + Shift + C
网络下刷新URL后可以看到所有访问请求的时间线
Headers：发送给浏览器的当前访问信息
User-Agent：浏览器信息
需要登录的网页使用 cookie
4.编码规范
1.一般Python程序的第一行需要加上
#-*- coding: utf-8 -*-或者# coding=utf-8
这允许在代码中收录中文
2.在Python中，使用函数来实现单个函数或相关函数的代码段，可以提高可读性和代码复用，
函数块以 def关键词 开头，后跟空格、函数标识符的名称、括号 () 和冒号：
参数可以用括号传递，函数段缩进（制表符或四个空格，只能选择其中一个），
return 用于结束函数，可以返回一个值，也可以不带任何表达式（意思是返回None）
3.可以将main函数添加到Python文件中，用于测试程序
if __name__ == "__main__":
适合管理函数的执行顺序
例子：
#-*- coding: utf-8 -*-
def main():
print("hello")
if __name__ == "__main__": #当程序执行时
#调用函数
main()
4.Python用#加注释来解释代码（段）的作用
三.引入模块1.模块（模块）
用于对 Python 代码（变量、函数、类）进行逻辑组织，本质上是一个 py 文件，用于提高代码的可维护性。
Python使用import来导入模块，比如import sys
例子：
test1 文件夹中有 t1.py
def add(a,b):
return a+b
我想在 test2 文件夹中的 t2.py 中调用 t1 中的函数
#引入自定义模块
from test1 import t1
print(t1.add(2,3))
#介绍系统的模块
import sys
import os
#引入第三方模块（这些是本项目要使用的模块）
import bs4 #网页解析，获取数据
import re #正则表达式，进行文字匹配
import urllib.request,urllib.error #制定URL，获取网络数据
import xlwt #进行excel操作
import sqlite3 #进行SQLite数据库操作
由于我使用的工具是vs2019，它的第三方模块加载为
在这里输入你要查找的包名，比如bs4
只需点击 pip install bs4
该程序现在
#-*- coding: utf-8 -*-
from bs4 import BeautifulSoup #网页解析，获取数据
import re #正则表达式，进行文字匹配
import urllib.request,urllib.error #制定URL，获取网络数据
import xlwt #进行excel操作
import sqlite3 #进行SQLite数据库操作
def main():
baseurl="https://movie.douban.com/top250"
#1.爬取网页
datalist=getData(baseurl)
savepath=".\\豆瓣电影Top250.xls" #当前文件夹下
#3.保存数据
saveData(savepath)
#爬取网页
def getData(baseurl):
datelist=[]
#2.逐一解析数据
return datalist
#保存数据
def saveData(savepath):
print("save.....")
if __name__ == "__main__": #当程序执行时
#调用函数
main()
2.获取数据
Python一般使用urllib库来获取页面
获取页面数据
urllib 测试
urllib test_ai 的博客 - CSDN 博客
获取数据获取指定URL的网页内容
#-*- coding: utf-8 -*-
from bs4 import BeautifulSoup #网页解析，获取数据
import re #正则表达式，进行文字匹配
import urllib.request,urllib.error #制定URL，获取网络数据
import xlwt #进行excel操作
import sqlite3 #进行SQLite数据库操作
def main():
baseurl="https://movie.douban.com/top250?start="
#1.爬取网页
datalist=getData(baseurl)
savepath=".\\豆瓣电影Top250.xls" #当前文件夹下
#3.保存数据
#saveData(savepath)
askURL("https://movie.douban.com/top250?start=")
#爬取网页
def getData(baseurl):
datalist=[]
#2.逐一解析数据
return datalist
#得到一个指定URL的网页内容
def askURL(url):
#模拟浏览器头部信息，向豆瓣服务器发送信息
head={"User-Agent":" Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.71 Safari/537.36"}
#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（本质上是高速浏览器，我们可以接受什么水平的信息）
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: #捕获错误
if hasattr(e,"code"):
print(e.code) #打印错误代码
if hasattr(e,"reason"):
print(e.reason) #打印错误原因
return html
#保存数据
def saveData(savepath):
print("save.....")
if __name__ == "__main__": #当程序执行时
#调用函数
main()
查看内容，发现获取到网页的数据
爬网
带循环结构的换页
#爬取网页
def getData(baseurl):
datalist=[]
for i in range(0,10): #调用获取页面信息的函数，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
return datalist
当前代码
#-*- coding: utf-8 -*-
from bs4 import BeautifulSoup #网页解析，获取数据
import re #正则表达式，进行文字匹配
import urllib.request,urllib.error #制定URL，获取网络数据
import xlwt #进行excel操作
import sqlite3 #进行SQLite数据库操作
def main():
baseurl="https://movie.douban.com/top250?start="
#1.爬取网页
datalist=getData(baseurl)
savepath=".\\豆瓣电影Top250.xls" #当前文件夹下
#3.保存数据
#saveData(savepath)
askURL("https://movie.douban.com/top250?start=")
#爬取网页
def getData(baseurl):
datalist=[]
for i in range(0,10): #调用获取页面信息的函数，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
return datalist
#得到一个指定URL的网页内容
def askURL(url):
#模拟浏览器头部信息，向豆瓣服务器发送信息
head={"User-Agent":" Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.71 Safari/537.36"}
#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（本质上是高速浏览器，我们可以接受什么水平的信息）
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: #捕获错误
if hasattr(e,"code"):
print(e.code) #打印错误代码
if hasattr(e,"reason"):
print(e.reason) #打印错误原因
return html
#保存数据
def saveData(savepath):
print("save.....")
if __name__ == "__main__": #当程序执行时
#调用函数
main()
添加 BeautifulSoup 用于 html 文件解析
BeautifulSoup用于html文件解析 - 程序员大本营
补充re模块：正则表达式
re 模块：正则表达式_ai的博客 - CSDN博客
正则提取得到每部电影的相关信息
#2.逐一解析数据
soup=BeautifulSoup(html,"html.parser")
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)
创建指向视频第一页的超链接
. . . . . . . .
截断一部电影的item信息，提取所有需要的东西，然后添加一个循环
#爬取网页
def getData(baseurl):
datalist=[]
for i in range(0,1): #调用获取页面信息的函数，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")
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=[] #保存一部电影的全部信息
item=str(item)
print(item)
break
#影片详情的链接
link=re.findall(findLink,item)[0] #re库用来通过正则表达式查找指定的字符串,[0]表示如果有两个，只要第一个
print(link)
return datalist
将其保存到 html 文档中进行比较
1
肖申克的救赎
/ The Shawshank Redemption
/ 月黑高飞(港) / 刺激1995(台)
[可播放]
<p class="">
导演: 弗兰克·德拉邦特 Frank Darabont 主演: 蒂姆·罗宾斯 Tim Robbins /...
1994 / 美国 / *敏*感*词* 剧情
9.7
2523850人评价
希望让人自由。
</p>
将需要提取的相关东西转化为正则表达式，设置为全局变量
<p>#影片详情的链接的规则
findLink=re.compile(r'<a href="(.*?)">') #创建正则表达式，表示规则（字符串模式）
#影片图片
findImgSrc=re.compile(r'
