Python爬蟲是什么及怎么應用

本篇內容介紹了“Python爬蟲是什么及怎么應用”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

爬蟲

網絡爬蟲（又被稱為網頁蜘蛛，網絡機器人）就是模擬瀏覽器發送網絡請求，接收請求響應，一種按照一定的規則，自動地抓取互聯網信息的程序。
原則上,只要是瀏覽器(客戶端)能做的事情，爬蟲都能夠做。

為什么我們要使用爬蟲

互聯網大數據時代，給予我們的是生活的便利以及海量數據爆炸式的出現在網絡中。
過去，我們通過書籍、報紙、電視、廣播或許信息，這些信息數量有限，且是經過一定的篩選，信息相對而言比較有效，但是缺點則是信息面太過于狹窄了。不對稱的信息傳導，以致于我們視野受限，無法了解到更多的信息和知識。
互聯網大數據時代，我們突然間，信息獲取自由了，我們得到了海量的信息，但是大多數都是無效的垃圾信息。
例如新浪微博，一天產生數億條的狀態更新，而在百度搜索引擎中，隨意搜一條——減肥100,000,000條信息。
在如此海量的信息碎片中，我們如何獲取對自己有用的信息呢？
答案是篩選！
通過某項技術將相關的內容收集起來，在分析刪選才能得到我們真正需要的信息。
這個信息收集分析整合的工作，可應用的范疇非常的廣泛，無論是生活服務、出行旅行、金融投資、各類制造業的產品市場需求等等……都能夠借助這個技術獲取更精準有效的信息加以利用。
網絡爬蟲技術，雖說有個詭異的名字，讓能第一反應是那種軟軟的蠕動的生物，但它卻是一個可以在虛擬世界里，無往不前的利器。

爬蟲準備工作

我們平時都說Python爬蟲，其實這里可能有個誤解，爬蟲并不是Python獨有的，可以做爬蟲的語言有很多例如：PHP,JAVA,C#,C++,Python，選擇Python做爬蟲是因為Python相對來說比較簡單，而且功能比較齊全。
首先我們需要下載python，我下載的是官方最新的版本 3.8.3
其次我們需要一個運行Python的環境，我用的是pychram

也可以從官方下載，
我們還需要一些庫來支持爬蟲的運行（有些庫Python可能自帶了）

差不多就是這幾個庫了，良心的我已經在后面寫好注釋了

（爬蟲運行過程中，不一定就只需要上面幾個庫，看你爬蟲的一個具體寫法了，反正需要庫的話我們可以直接在setting里面安裝）

爬蟲項目講解

我做的是爬取豆瓣評分電影Top250的爬蟲代碼
我們要爬取的就是這個網站：https://movie.douban.com/top250

這邊我已經爬取完畢，給大家看下效果圖，我是將爬取到的內容存到xls中

我們的爬取的內容是：電影詳情鏈接，圖片鏈接，影片中文名，影片外國名，評分，評價數，概況，相關信息。

代碼分析

先把代碼發放上來，然后我根據代碼逐步解析

# -*- codeing = utf-8 -*-
from bs4 import BeautifulSoup  # 網頁解析，獲取數據
import re  # 正則表達式，進行文字匹配`
import urllib.request, urllib.error  # 制定URL，獲取網頁數據
import xlwt  # 進行excel操作
#import sqlite3  # 進行SQLite數據庫操作

findLink = re.compile(r'<a href="(.*?)">')  # 創建正則表達式對象，標售規則   影片詳情鏈接的規則
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
findTitle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人評價</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)




def main():
    baseurl = "https://movie.douban.com/top250?start="  #要爬取的網頁鏈接
    # 1.爬取網頁
    datalist = getData(baseurl)
    savepath = "豆瓣電影Top250.xls"    #當前目錄新建XLS，存儲進去
    # dbpath = "movie.db"              #當前目錄新建數據庫，存儲進去
    # 3.保存數據
    saveData(datalist,savepath)      #2種存儲方式可以只選擇一種
    # saveData2DB(datalist,dbpath)



# 爬取網頁
def getData(baseurl):
    datalist = []  #用來存儲爬取的網頁信息
    for i in range(0, 10):  # 調用獲取頁面信息的函數，10次
        url = baseurl + str(i * 25)
        html = askURL(url)  # 保存獲取到的網頁源碼
        # 2.逐一解析數據
        soup = BeautifulSoup(html, "html.parser")
        for item in soup.find_all('p', class_="item"):  # 查找符合要求的字符串
            data = []  # 保存一部電影所有信息
            item = str(item)
            link = re.findall(findLink, item)[0]  # 通過正則表達式查找
            data.append(link)
            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)
            titles = re.findall(findTitle, item)
            if (len(titles) == 2):
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace("/", "")  #消除轉義字符
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(' ')
            rating = re.findall(findRating, item)[0]
            data.append(rating)
            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)
            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)
            bd = re.sub('/', "", bd)
            data.append(bd.strip())
            datalist.append(data)

    return datalist


# 得到指定一個URL的網頁內容
def askURL(url):
    head = {  # 模擬瀏覽器頭部信息，向豆瓣服務器發送消息
        "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"
    }
    # 用戶代理，表示告訴豆瓣服務器，我們是什么類型的機器、瀏覽器（本質上是告訴瀏覽器，我們可以接收什么水平的文件內容）

    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


# 保存數據到表格
def saveData(datalist,savepath):
    print("save.......")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創建workbook對象
    sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創建工作表
    col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國名","評分","評價數","概況","相關信息")
    for i in range(0,8):
        sheet.write(0,i,col[i])  #列名
    for i in range(0,250):
        # print("第%d條" %(i+1))       #輸出語句，用來測試
        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])  #數據
    book.save(savepath) #保存

# def saveData2DB(datalist,dbpath):
#     init_db(dbpath)
#     conn = sqlite3.connect(dbpath)
#     cur = conn.cursor()
#     for data in datalist:
#             for index in range(len(data)):
#                 if index == 4 or index == 5:
#                     continue
#                 data[index] = '"'+data[index]+'"'
#             sql = '''
#                     insert into movie250(
#                     info_link,pic_link,cname,ename,score,rated,instroduction,info)
#                     values (%s)'''%",".join(data)
#             # print(sql)     #輸出查詢語句，用來測試
#             cur.execute(sql)
#             conn.commit()
#     cur.close
#     conn.close()


# def init_db(dbpath):
#     sql = '''
#         create table movie250(
#         id integer  primary  key autoincrement,
#         info_link text,
#         pic_link text,
#         cname varchar,
#         ename varchar ,
#         score numeric,
#         rated numeric,
#         instroduction text,
#         info text
#         )
#
#
#     '''  #創建數據表
#     conn = sqlite3.connect(dbpath)
#     cursor = conn.cursor()
#     cursor.execute(sql)
#     conn.commit()
#     conn.close()

# 保存數據到數據庫







if __name__ == "__main__":  # 當程序執行時
    # 調用函數
     main()
    # init_db("movietest.db")
     print("爬取完畢！")

下面我根據代碼，從下到下給大家講解分析一遍-- codeing = utf-8 --，開頭的這個是設置編碼為utf-8 ，寫在開頭，防止亂碼。

然后下面 import就是導入一些庫，做做準備工作，（sqlite3這庫我并沒有用到所以我注釋起來了）。
下面一些find開頭的是正則表達式，是用來我們篩選信息的。
（正則表達式用到 re 庫，也可以不用正則表達式，不是必須的。）
大體流程分三步走：

1. 爬取網頁
2.逐一解析數據
3. 保存網頁

先分析流程1，爬取網頁，baseurl 就是我們要爬蟲的網頁網址，往下走，調用了 getData（baseurl) ,
我們來看 getData方法

 for i in range(0, 10):  # 調用獲取頁面信息的函數，10次
        url = baseurl + str(i * 25)

這段大家可能看不懂，其實是這樣的：
因為電影評分Top250，每個頁面只顯示25個，所以我們需要訪問頁面10次，25*10=250。

baseurl = "https://movie.douban.com/top250?start="

我們只要在baseurl后面加上數字就會跳到相應頁面，比如i=1時

https://movie.douban.com/top250?start=25

我放上超鏈接，大家可以點擊看看會跳到哪個頁面，畢竟實踐出真知。

然后又調用了askURL來請求網頁，這個方法是請求網頁的主體方法，
怕大家翻頁麻煩，我再把代碼復制一遍，讓大家有個直觀感受

def askURL(url):
    head = {  # 模擬瀏覽器頭部信息，向豆瓣服務器發送消息
        "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"
    }
    # 用戶代理，表示告訴豆瓣服務器，我們是什么類型的機器、瀏覽器（本質上是告訴瀏覽器，我們可以接收什么水平的文件內容）

    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

這個askURL就是用來向網頁發送請求用的，那么這里就有老鐵問了，為什么這里要寫個head呢？

這是因為我們要是不寫的話，訪問某些網站的時候會被認出來爬蟲，顯示錯誤，錯誤代碼

418

這是一個梗大家可以百度下，

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.

我是一個茶壺

所以我們需要 “裝” ，裝成我們就是一個瀏覽器，這樣就不會被認出來，
偽裝一個身份。

來，我們繼續往下走，

 html = response.read().decode("utf-8")

這段就是我們讀取網頁的內容，設置編碼為utf-8，目的就是為了防止亂碼。
訪問成功后，來到了第二個流程：

2.逐一解析數據

解析數據這里我們用到了 BeautifulSoup（靚湯） 這個庫，這個庫是幾乎是做爬蟲必備的庫，無論你是什么寫法。

下面就開始查找符合我們要求的數據，用BeautifulSoup的方法以及 re 庫的
正則表達式去匹配，

findLink = re.compile(r'<a href="(.*?)">')  # 創建正則表達式對象，標售規則   影片詳情鏈接的規則
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
findTitle = re.compile(r'<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人評價</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)

匹配到符合我們要求的數據，然后存進 dataList ， 所以 dataList 里就存放著我們需要的數據了。

最后一個流程：

3.保存數據

    # 3.保存數據
    saveData(datalist,savepath)      #2種存儲方式可以只選擇一種
    # saveData2DB(datalist,dbpath)

保存數據可以選擇保存到 xls 表， 需要（xlwt庫支持）
也可以選擇保存數據到 sqlite數據庫， 需要（sqlite3庫支持）

這里我選擇保存到 xls 表 ，這也是為什么我注釋了一大堆代碼，注釋的部分就是保存到 sqlite 數據庫的代碼，二者選一就行

保存到 xls 的主體方法是 saveData （下面的saveData2DB方法是保存到sqlite數據庫）：

def saveData(datalist,savepath):
    print("save.......")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0) #創建workbook對象
    sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創建工作表
    col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國名","評分","評價數","概況","相關信息")
    for i in range(0,8):
        sheet.write(0,i,col[i])  #列名
    for i in range(0,250):
        # print("第%d條" %(i+1))       #輸出語句，用來測試
        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])  #數據
    book.save(savepath) #保存

創建工作表，創列（會在當前目錄下創建），

  sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True) #創建工作表
    col = ("電影詳情鏈接","圖片鏈接","影片中文名","影片外國名","評分","評價數","概況","相關信息")

然后把 dataList里的數據一條條存進去就行。

最后運作成功后，會在左側生成這么一個文件

打開之后看看是不是我們想要的結果

“Python爬蟲是什么及怎么應用”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！