Python爬虫超详细讲解（零基础小白都看的懂）
优采云 发布时间: 2022-06-18 16:45Python爬虫超详细讲解（零基础小白都看的懂）
讲解我们的爬虫之前，先概述关于爬虫的简单概念（毕竟是零基础教程）
爬虫
网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟浏览器发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。
原则上,只要是浏览器(客户端)能做的事情，爬虫都能够做。
为什么要使用爬虫
互联网大数据时代，给予我们的是生活的便利以及海量数据爆炸式的出现在网络中。
过去，我们通过书籍、报纸、电视、广播或许信息，这些信息数量有限，且是经过一定的筛选，信息相对而言比较有效，但是缺点则是信息面太过于狭窄了。不对称的信息传导，以致于我们视野受限，无法了解到更多的信息和知识。
互联网大数据时代，我们突然间，信息获取自由了，我们得到了海量的信息，但是大多数都是无效的垃圾信息。
例如新浪微博，一天产生数亿条的状态更新，而在百度搜索引擎中，随意搜一条——减肥100,000,000条信息。
在如此海量的信息碎片中，我们如何获取对自己有用的信息呢？
答案是筛选！
通过某项技术将相关的内容收集起来，在分析删选才能得到我们真正需要的信息。
这个信息收集分析整合的工作，可应用的范畴非常的广泛，无论是生活服务、出行旅行、金融投资、各类制造业的产品市场需求等等……都能够借助这个技术获取更精准有效的信息加以利用。
网络爬虫技术，虽说有个诡异的名字，让能第一反应是那种软软的蠕动的生物，但它却是一个可以在虚拟世界里，无往不前的利器。
爬虫准备工作
我们平时都说Python爬虫，其实这里可能有个误解，爬虫并不是Python独有的，可以做爬虫的语言有很多例如：PHP,JAVA,C#,C++,Python，选择Python做爬虫是因为Python相对来说比较简单，而且功能比较齐全。
首先我们需要下载python，我下载的是官方最新的版本 3.8.3
其次我们需要一个运行Python的环境，我用的是pychram
也可以从官方下载，
我们还需要一些库来支持爬虫的运行（有些库Python可能自带了）
差不多就是这几个库了，良心的我已经在后面写好注释了
（爬虫运行过程中，不一定就只需要上面几个库，看你爬虫的一个具体写法了，反正需要库的话我们可以直接在setting里面安装）
爬虫项目讲解
我做的是爬取豆瓣评分电影Top250的爬虫代码
我们要爬取的就是这个网站：
这边我已经爬取完毕，给大家看下效果图，我是将爬取到的内容存到xls中
我们的爬取的内容是：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。
代码分析
先把代码发放上来，然后我根据代码逐步解析
1. # -*- codeing = utf-8 -*-
2. from bs4 import BeautifulSoup # 网页解析，获取数据
3. import re # 正则表达式，进行文字匹配`
4. import urllib.request, urllib.error # 制定URL，获取网页数据
5. import xlwt # 进行excel操作
6. #import sqlite3 # 进行SQLite数据库操作
7.
8. findLink = pile(r'') # 创建正则表达式对象，标售规则 影片详情链接的规则
9. findImgSrc = pile(r'
10. findTitle = pile(r'(.*)')
11. findRating = pile(r'(.*)')
12. findJudge = pile(r'(\d*)人评价')
13. findInq = pile(r'(.*)')
14. findBd = pile(r'
(.*?)
', re.S)
15.
16.
17.
18.
19. def main():
20. baseurl = "" #要爬取的网页链接
21. # 1.爬取网页
22. datalist = getData(baseurl)
23. savepath = "豆瓣电影Top250.xls" #当前目录新建XLS，存储进去
24. # dbpath = "movie.db" #当前目录新建数据库，存储进去
25. # 3.保存数据
26. saveData(datalist,savepath) #2种存储方式可以只选择一种
27. # saveData2DB(datalist,dbpath)
28.
29.
30.
31. # 爬取网页
32. def getData(baseurl):
33. datalist = [] #用来存储爬取的网页信息
34. for i in range(0, 10): # 调用获取页面信息的函数，10次
35. url = baseurl + str(i * 25)
36. html = askURL(url) # 保存获取到的网页源码
37. # 2.逐一解析数据
38. soup = BeautifulSoup(html, "html.parser")
39. for item in soup.find_all('div', class_="item"): # 查找符合要求的字符串
40. data = [] # 保存一部电影所有信息
41. item = str(item)
42. link = re.findall(findLink, item)[0] # 通过正则表达式查找
43. data.append(link)
44. imgSrc = re.findall(findImgSrc, item)[0]
45. data.append(imgSrc)
46. titles = re.findall(findTitle, item)
47. if (len(titles) == 2):
48. ctitle = titles[0]
49. data.append(ctitle)
50. otitle = titles[1].replace("/", "") #消除转义字符
51. data.append(otitle)
52. else:
53. data.append(titles[0])
54. data.append(' ')
55. rating = re.findall(findRating, item)[0]
56. data.append(rating)
57. judgeNum = re.findall(findJudge, item)[0]
58. data.append(judgeNum)
59. inq = re.findall(findInq, item)
60. if len(inq) != 0:
61. inq = inq[0].replace("。", "")
62. data.append(inq)
63. else:
64. data.append(" ")
65. bd = re.findall(findBd, item)[0]
66. bd = re.sub('
(\s+)?', "", bd)
67. bd = re.sub('/', "", bd)
68. data.append(bd.strip())
69. datalist.append(data)
70.
71. return datalist
72.
73.
74. # 得到指定一个URL的网页内容
75. def askURL(url):
76. head = { # 模拟浏览器头部信息，向豆瓣服务器发送消息
77. "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"
78. }
79. # 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）
80.
81. request = urllib.request.Request(url, headers=head)
82. html = ""
83. try:
84. response = urllib.request.urlopen(request)
85. html = response.read().decode("utf-8")
86. except urllib.error.URLError as e:
87. if hasattr(e, "code"):
88. print(e.code)
89. if hasattr(e, "reason"):
90. print(e.reason)
91. return html
92.
93.
94. # 保存数据到表格
95. def saveData(datalist,savepath):
96. print("save.......")
97. book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象
98. sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表
99. 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")
100. for i in range(0,8):
101. sheet.write(0,i,col[i]) #列名
102. for i in range(0,250):
103. # print("第%d条" %(i+1)) #输出语句，用来测试
104. data = datalist[i]
105. for j in range(0,8):
106. sheet.write(i+1,j,data[j]) #数据
107. book.save(savepath) #保存
108.
109. # def saveData2DB(datalist,dbpath):
110. # init_db(dbpath)
111. # conn = sqlite3.connect(dbpath)
112. # cur = conn.cursor()
113. # for data in datalist:
114. # for index in range(len(data)):
115. # if index == 4 or index == 5:
116. # continue
117. # data[index] = '"'+data[index]+'"'
118. # sql = '''
119. # insert into movie250(
120. # info_link,pic_link,cname,ename,score,rated,instroduction,info)
121. # values (%s)'''%",".join(data)
122. # # print(sql) #输出查询语句，用来测试
123. # cur.execute(sql)
124. # mit()
125. # cur.close
126. # conn.close()
127.
128.
129. # def init_db(dbpath):
130. # sql = '''
131. # create table movie250(
132. # id integer primary key autoincrement,
133. # info_link text,
134. # pic_link text,
135. # cname varchar,
136. # ename varchar ,
137. # score numeric,
138. # rated numeric,
139. # instroduction text,
140. # info text
141. # )
142. #
143. #
144. # ''' #创建数据表
145. # conn = sqlite3.connect(dbpath)
146. # cursor = conn.cursor()
147. # cursor.execute(sql)
148. # mit()
149. # conn.close()
150.
151. # 保存数据到数据库
152.
153.
154.
155.
156.
157.
158.
159. if __name__ == "__main__": # 当程序执行时
160. # 调用函数
161. main()
162. # init_db("movietest.db")
163. print("爬取完毕！")
164.
下面我根据代码，从上到下给大家讲解分析一遍
-- codeing = utf-8 --，开头的这个是设置编码为utf-8 ，写在开头，防止乱码。
然后下面 import就是导入一些库，做做准备工作，（sqlite3这库我并没有用到所以我注释起来了）。
下面一些find开头的是正则表达式，是用来我们筛选信息的。
（正则表达式用到 re 库，也可以不用正则表达式，不是必须的。）
大体流程分三步走：
1. 爬取网页
2.逐一解析数据
3. 保存网页
爬取网页
先分析流程1，爬取网页，baseurl 就是我们要爬虫的网页网址，往下走，调用了 getData（baseurl) ,
我们来看 getData方法
1. for i in range(0, 10): # 调用获取页面信息的函数，10次
2. url = baseurl + str(i * 25)
这段大家可能看不懂，其实是这样的：
因为电影评分Top250，每个页面只显示25个，所以我们需要访问页面10次，25*10=250。
1. baseurl = ""
我们只要在baseurl后面加上数字就会跳到相应页面，比如i=1时
我放上超链接，大家可以点击看看会跳到哪个页面，毕竟实践出真知。
然后又调用了askURL来请求网页，这个方法是请求网页的主体方法，
怕大家翻页麻烦，我再把代码复制一遍，让大家有个直观感受
1. def askURL(url):
2. head = { # 模拟浏览器头部信息，向豆瓣服务器发送消息
3. "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"
4. }
5. # 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）
6.
7. request = urllib.request.Request(url, headers=head)
8. html = ""
9. try:
10. response = urllib.request.urlopen(request)
11. html = response.read().decode("utf-8")
12. except urllib.error.URLError as e:
13. if hasattr(e, "code"):
14. print(e.code)
15. if hasattr(e, "reason"):
16. print(e.reason)
17. return html
这个askURL就是用来向网页发送请求用的，那么这里就有老铁问了，为什么这里要写个head呢？
这是因为我们要是不写的话，访问某些网站的时候会被认出来爬虫，显示错误，错误代码
418
这是一个梗大家可以百度下，
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.
我是一个茶壶
所以我们需要 “装” ，装成我们就是一个浏览器，这样就不会被认出来，
伪装一个身份。
来，我们继续往下走，
1. html = response.read().decode("utf-8")
这段就是我们读取网页的内容，设置编码为utf-8，目的就是为了防止乱码。
访问成功后，来到了第二个流程：
逐一解析数据
解析数据这里我们用到了 BeautifulSoup（靓汤） 这个库，这个库是几乎是做爬虫必备的库，无论你是什么写法。
下面就开始查找符合我们要求的数据，用BeautifulSoup的方法以及 re 库的
正则表达式去匹配，
1. findLink = pile(r'') # 创建正则表达式对象，标售规则 影片详情链接的规则
2. findImgSrc = pile(r'
3. findTitle = pile(r'(.*)')
4. findRating = pile(r'(.*)')
5. findJudge = pile(r'(\d*)人评价')
6. findInq = pile(r'(.*)')
7. findBd = pile(r'
(.*?)
', re.S)
匹配到符合我们要求的数据，然后存进 dataList ， 所以 dataList 里就存放着我们需要的数据了。
最后一个流程：
保存数据
1. # 3.保存数据
2. saveData(datalist,savepath) #2种存储方式可以只选择一种
3. # saveData2DB(datalist,dbpath)
保存数据可以选择保存到 xls 表， 需要（xlwt库支持）
也可以选择保存数据到 sqlite数据库， 需要（sqlite3库支持）
这里我选择保存到 xls 表 ，这也是为什么我注释了一大堆代码，注释的部分就是保存到 sqlite 数据库的代码，二者选一就行
保存到 xls 的主体方法是 saveData （下面的saveData2DB方法是保存到sqlite数据库）：
1. def saveData(datalist,savepath):
2. print("save.......")
3. book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象
4. sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表
5. 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")
6. for i in range(0,8):
7. sheet.write(0,i,col[i]) #列名
8. for i in range(0,250):
9. # print("第%d条" %(i+1)) #输出语句，用来测试
10. data = datalist[i]
11. for j in range(0,8):
12. sheet.write(i+1,j,data[j]) #数据
13. book.save(savepath) #保存
创建工作表，创列（会在当前目录下创建），
1. sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表
2. 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")
然后把 dataList里的数据一条条存进去就行。
最后运作成功后，会在左侧生成这么一个文件
打开之后看看是不是我们想要的结果
成了，成了！
如果我们需要以数据库方式存储，可以先生成 xls 文件，再把 xls 文件导入数据库中，就可以啦
————————————————
版权声明：本文为CSDN博主「码农BookSea」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：
视频课程推荐
1
11个章节
基于MATLAB深度学习与实践技术应用精品视频课程
2
8个章节
MATLAB编程、机器学习、深度学习在图像处理中的应用精品课程
3
10个章节
MATLAB近红外光谱分析技术及实践技术应用视频课程
4
10个章节
基于MATLAB深度学习与实践技术应用视频课程
5
11个章节
全套Python机器学习核心技术与案例分析实践应用视频课程
6
7个章节
Python深度学习核心技术方法与案例实践精品课程
7
8个章节
基于R语言的现代贝叶斯统计学方法（贝叶斯参数估计、贝叶斯回归、贝叶斯计算）实践技术课程
8
10个章节
R语言回归及混合效应（多水平层次嵌套）模型应用与贝叶斯回归及混合效应模型精品课程
9
8个章节
最新基于R语言结构方程模型分析与实践技术应用精品视频课程
10
10个章节
基于R语言的Copula变量相关性分析及应用精品视频课程
11
6个章节
基于R语言Meta分析方法与进阶实践技术应用专题视频课程
12
5个章节
R语言数据统计分析与ggplot2高级绘图实践应用精品课程
13
8个章节
基于R语言的贝叶斯网络模型的实践技术应用视频课程
14
11个章节
基于pytorch深度学习遥感影像地物分类与目标识别、分割实践技术课程
视频教程+课件资料及数据代码+导师随行辅导
联系课程专员，最高享受7.5折优惠
扫码了解课程详情
添加小编微信，海量数据、视频教程免费获取
END
海量数据免费获取
+
Ai尚研修海量资源（数据、课件、书籍、视频教程）一键免费领取
（点击数据标题，直接进入）
