快捷導(dǎo)航

一個(gè)入門級(jí)python爬蟲教程詳解

更新時(shí)間：2021年01月27日 14:36:58 作者：雨飄香

這篇文章主要介紹了一個(gè)入門級(jí)python爬蟲教程詳解,本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下

前言

本文目的：根據(jù)本人的習(xí)慣與理解，用最簡(jiǎn)潔的表述，介紹爬蟲的定義、組成部分、爬取流程，并講解示例代碼。

基礎(chǔ)

爬蟲的定義：定向抓取互聯(lián)網(wǎng)內(nèi)容（大部分為網(wǎng)頁(yè)）、并進(jìn)行自動(dòng)化數(shù)據(jù)處理的程序。主要用于對(duì)松散的海量信息進(jìn)行收集和結(jié)構(gòu)化處理，為數(shù)據(jù)分析和挖掘提供原材料。

今日t條就是一只巨大的“爬蟲”。

爬蟲由URL庫(kù)、采集器、解析器組成。

流程

如果待爬取的url庫(kù)不為空，采集器會(huì)自動(dòng)爬取相關(guān)內(nèi)容，并將結(jié)果給到解析器，解析器提取目標(biāo)內(nèi)容后進(jìn)行寫入文件或入庫(kù)等操作。

在這里插入圖片描述

代碼

第一步：寫一個(gè)采集器

如下是一個(gè)比較簡(jiǎn)單的采集器函數(shù)。需要用到requests庫(kù)。
首先，構(gòu)造一個(gè)http的header，里面有瀏覽器和操作系統(tǒng)等信息。如果沒有這個(gè)偽造的header，可能會(huì)被目標(biāo)網(wǎng)站的WAF等防護(hù)設(shè)備識(shí)別為機(jī)器代碼并干掉。

然后，用requests庫(kù)的get方法獲取url內(nèi)容。如果http響應(yīng)代碼是200 ok，說(shuō)明頁(yè)面訪問(wèn)正常，將該函數(shù)返回值設(shè)置為文本形式的html代碼內(nèi)容。

如果響應(yīng)代碼不是200 ok，說(shuō)明頁(yè)面不能正常訪問(wèn)，將函數(shù)返回值設(shè)置為特殊字符串或代碼。

import requests

def get_page(url):
	headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'}
	response = requests.get(url, headers= headers)
	if response.status_code == 200:
	  return response.text
	else:
		return 'GET HTML ERROR !'

第二步：解析器

解析器的作用是對(duì)采集器返回的html代碼進(jìn)行過(guò)濾篩選，提取需要的內(nèi)容。
作為一個(gè)14年忠實(shí)用戶，當(dāng)然要用豆瓣舉個(gè)栗子 _

我們計(jì)劃爬取豆瓣排名TOP250電影的8個(gè)參數(shù)：排名、電影url鏈接、電影名稱、導(dǎo)演、上映年份、國(guó)家、影片類型、評(píng)分。整理成字典并寫入文本文件。

待爬取的頁(yè)面如下，每個(gè)頁(yè)面包括25部電影，共計(jì)10個(gè)頁(yè)面。

在這里插入圖片描述

在這里，必須要表?yè)P(yáng)豆瓣的前端工程師們，html標(biāo)簽排版非常工整具有層次，非常便于信息提取。

下面是“肖申克的救贖”所對(duì)應(yīng)的html代碼：（需要提取的8個(gè)參數(shù)用紅線標(biāo)注）

在這里插入圖片描述

根據(jù)上面的html編寫解析器函數(shù)，提取8個(gè)字段。該函數(shù)返回值是一個(gè)可迭代的序列。
我個(gè)人喜歡用re（正則表達(dá)式）提取內(nèi)容。8個(gè)（.*?）分別對(duì)應(yīng)需要提取的字段。

import re

def parse_page(html):
	pattern = re.compile('<em class="">(.*?)</em>.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" >.*?<span class="title">(.*?)</span>.*?<div class="bd">.*?<p class="">(.*?)&nbsp.*?<br>(.*?)&nbsp;/&nbsp;(.*?)&nbsp;/&nbsp;(.*?)</p>.*?<span class="rating_num".*?"v:average">(.*?)</span>' , re.S)
	items = re.findall(pattern , html)
	for item in items:
		yield {
		  'rank': item[0],
		  'href': item[1],
		  'name': item[2],
		  'director': item[3].strip()[4:],
		  'year': item[4].strip(),
		  'country': item[5].strip(),
		  'style': item[6].strip(),
		  'score': item[7].strip()
		}

提取后的內(nèi)容如下：

在這里插入圖片描述

整理成完整的代碼：（暫不考慮容錯(cuò)）

import requests
import re
import json

def get_page(url):
	#采集器函數(shù)
	headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'}
	response = requests.get(url, headers= headers)
	if response.status_code == 200:
	  return response.text
	else:
		return 'GET HTML ERROR ! '


def parse_page(html):
	#解析器函數(shù)
	pattern = re.compile('<em class="">(.*?)</em>.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" >.*?<span class="title">(.*?)</span>.*?<div class="bd">.*?<p class="">(.*?)&nbsp.*?<br>(.*?)&nbsp;/&nbsp;(.*?)&nbsp;/&nbsp;(.*?)</p>.*?<span class="rating_num".*?"v:average">(.*?)</span>' , re.S)
	items = re.findall(pattern , html)
	for item in items:
		yield {
		  'rank': item[0],
		  'href': item[1],
		  'name': item[2],
		  'director': item[3].strip()[4:],
		  'year': item[4].strip(),
		  'country': item[5].strip(),
		  'style': item[6].strip(),
		  'score': item[7].strip()
		}


def write_to_file(content):
	#寫入文件函數(shù)
	with open('result.txt' , 'a' , encoding = 'utf-8') as file:
		file.write(json.dumps(content , ensure_ascii = False) + '\n')


if __name__== "__main__":
	# 主程序
	for i in range(10):
		url= 'https://movie.douban.com/top250?start='+ str(i*25)+ '&filter'
		for res in parse_page(get_page(url)):
			write_to_file(res)

非常簡(jiǎn)潔，非常符合python簡(jiǎn)單、高效的特點(diǎn)。

說(shuō)明：

需要掌握待爬取url的規(guī)律，才能利用for循環(huán)等操作自動(dòng)化處理。
前25部影片的url是https://movie.douban.com/top250?start=0&filter，第26-50部影片url是https://movie.douban.com/top250?start=25&filter。規(guī)律就在start參數(shù)，將start依次設(shè)置為0、25、50、75。。。225，就能獲取所有頁(yè)面的鏈接。parse_page函數(shù)的返回值是一個(gè)可迭代序列，可以理解為字典的集合。運(yùn)行完成后，會(huì)在程序同目錄生成result.txt文件。內(nèi)容如下：

在這里插入圖片描述