python爬取网页的操作步骤
小编给大家分享一下python爬取网页的操作步骤,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获,下面让我们一起去了解一下吧!
成都网络公司-成都网站建设公司成都创新互联十年经验成就非凡,专业从事成都网站设计、成都网站建设,成都网页设计,成都网页制作,软文发布平台,1元广告等。十年来已成功提供全面的成都网站建设方案,打造行业特色的成都网站建设案例,建站热线:13518219792,我们期待您的来电!
之前在网上也写了不少关于爬虫爬取网页的代码,最近还是想把写的爬虫记录一下,方便大家使用吧!
代码一共分为4部分:
第一部分:找一个网站。
我这里还是找了一个比较简单的网站,就是大家都知道的https://movie.douban.com/top250?start= 大家可以登录里面看一下。
这里大家可能会有一些库没有进行安装,先上图让大家安装完爬取网页所需要的库,其中我本次用到的库有:bs4,urllib,xlwt, re。
如图
这里选择file-setting-Project-然后选择左下角的加号,自行去安装自己所需要的文件就可以了。
下面的代码是爬取网页的源代码:
import urllib.requestfrom bs4 import BeautifulSoupimport xlwtimport redef main(): # 爬取网页 baseurl = 'https://movie.douban.com/top250?start=' datalist = getData(baseurl) savepath = '豆瓣电影Top250.xls' # 保存数据 saveData(datalist,savepath) # askURL("https://movie.douban.com/top250?start=1")#影片详情的规则findLink = re.compile(r'') #创建从正则表达式,表示规则findImgSrc = re.compile(r'(.*)')#影片的评分findReating = re.compile(r'(.*)')#找到评价人数findJudge = re.compile(r'(\d*)人评价')#找到概况findInq = re.compile(r'(.*)')#找到影片的相关内容findBb = re.compile(r' (.*?)
', re.S)#re.S忽视换行符
第二部分:爬取网页。
def getData(baseurl): datalist = [] for i in range(0, 10): url = baseurl + str(i*25) html = askURL(url) #保存获取到的网页源码 #对网页进行解析 soup = BeautifulSoup(html, 'html.parser') for item in soup.find_all('p', class_="item"): #查找符合要求的字符串 形成列表 #print(item) #测试查看电影信息 data = [] item = str(item) link = re.findall(findLink, item)[0] #re库用来查找指定的字符串 data.append(link) imgSrc = re.findall(findImgSrc, item)[0] data.append(imgSrc) #添加图片 titles = re.findall(finTitle, item) # if (len(titles) == 2): ctitle = titles[0] #添加中文名 data.append(ctitle) otitle = titles[1].replace("/", "") #replace("/", "")去掉无关的符号 data.append(otitle) #添加英文名 else: data.append(titles[0]) data.append(' ')#外国名字留空 rating = re.findall(findReating, item)[0] #添加评分 data.append(rating) judgeNum = re.findall(findJudge,item) #评价人数 data.append(judgeNum) inq = re.findall(findInq, item) #添加概述 if len(inq) != 0: inq = inq[0].replace(".", "") #去掉句号 data.append(inq) else: data.append(" ") #留空 bd = re.findall(findBb,item)[0] bd = re.sub('
(\s+)?',' ', bd) #去掉br 后面这个bd表示对bd进行操作 bd = re.sub('/', ' ', bd) #替换/ data.append(bd.strip()) #去掉前后的空格strip() datalist.append(data) #把处理好的一部电影放入datalist当中 return datalist
第三部分:得到一个指定的url信息。
#得到指定的一个url网页信息def askURL(url): head = { "User-Agent": "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Mobile Safari/537.36"} request = urllib.request.Request(url,headers=head) # get请求不需要其他的的,而post请求需要 一个method方法 html = "" try: response = urllib.request.urlopen(request) html = response.read().decode('utf-8') # print(html) except Exception as e: if hasattr(e,'code'): print(e.code) if hasattr(e,'reason'): print(e.reason) return html
第四部分:保存数据
# 3:保存数据def saveData(datalist,savepath): 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]) #列名 for i in range(0,250): print("第%d条"%i) data = datalist[i] for j in range(0,8): sheet.write(i+1,j,data[j]) book.save(savepath) #保存
这里大家看一下代码,关于代码的标注我写的还是挺清楚的。
其中关于学习这个爬虫,还需要学习一些基本的正则表达式,当然python基本的语法是不可少的希望对大家有帮助吧。
以上是“python爬取网页的操作步骤”这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注创新互联行业资讯频道!
当前题目:python爬取网页的操作步骤
当前URL:http://pwwzsj.com/article/psdpsj.html