零基础入门，老年人都看得懂 Python爬虫超详细讲解 _生活知道

更多爬虫、数据分析、全栈开发、人工智能学习资料自取私信@Python阿执回复关键词【资料】
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。
为什么我们要使用爬虫
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地出现在网络中。
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，我们突然间静态网页的爬取思路，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?。?
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
更多爬虫、数据分析、全栈开发、人工智能学习资料自取私信@Python阿执回复关键词【资料】
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）
更多爬虫、数据分析、全栈开发、人工智能学习资料自取私信@Python阿执回复关键词【资料】
差不多就是这几个库了，良心的我已经在后面写好注释了
更多爬虫、数据分析、全栈开发、人工智能学习资料自取私信@Python阿执回复关键词【资料】
【零基础入门，老年人都看得懂 Python爬虫超详细讲解】（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
更多爬虫、数据分析、全栈开发、人工智能学习资料自取私信@Python阿执回复关键词【资料】
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
# -*- codeing = 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，获取网页数据import xlwt# 进行excel操作#import sqlite3# 进行SQLite数据库操作findLink = re.compile(r'')# 创建正则表达式对象，标售规则影片详情链接的规则findImgSrc = https://www.30zx.com/re.compile(r'(.*)')findRating = re.compile(r'(.*)')findJudge = re.compile(r'(d*)人评价')findInq = re.compile(r'(.*)')findBd = re.compile(r'(.*?) ', re.S)def main():baseurl = "https://movie.douban.com/top250?start="#要爬取的网页链接# 1.爬取网页datalist = getData(baseurl)savepath = "豆瓣电影Top250.xls"#当前目录新建XLS，存储进去# dbpath = "movie.db"#当前目录新建数据库，存储进去# 3.保存数据saveData(datalist,savepath)#2种存储方式可以只选择一种# saveData2DB(datalist,dbpath)# 爬取网页def getData(baseurl):datalist = []#用来存储爬取的网页信息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soup = BeautifulSoup(html, "html.parser")for item in soup.find_all('div', class_="item"):# 查找符合要求的字符串data = https://www.30zx.com/[]# 保存一部电影所有信息item = str(item)link = re.findall(findLink, item)[0]# 通过正则表达式查找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("/", "")#消除转义字符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(' (s+)?', "", bd)bd = re.sub('/', "", bd)data.append(bd.strip())datalist.append(data)return datalist# 得到指定一个URL的网页内容def askURL(url):head = {# 模拟浏览器头部信息，向豆瓣服务器发送消息"User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122Safari / 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（本质上是告诉浏览器，我们可以接收什么水平的文件内容）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# 保存数据到表格def saveData(datalist,savepath):print("save.......")book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表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+1))#输出语句，用来测试data = https://www.30zx.com/datalist[i]for j in range(0,8):sheet.write(i+1,j,data[j])#数据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)#输出查询语句，用来测试#cur.execute(sql)#conn.commit()#cur.close#conn.close()# def init_db(dbpath):#sql = '''#create table movie250(#id integerprimarykey autoincrement,#info_link text,#pic_link text,#cname varchar,#ename varchar ,#score numeric,#rated numeric,#instroduction text,#info text#)###'''#创建数据表#conn = sqlite3.connect(dbpath)#cursor = conn.cursor()#cursor.execute(sql)#conn.commit()#conn.close()# 保存数据到数据库if __name__ == "__main__":# 当程序执行时# 调用函数main()# init_db("movietest.db")print("爬取完毕！")
下面我根据代码，从上到下给大家讲解分析一遍
更多爬虫、数据分析、全栈开发、人工智能学习资料自取私信@Python阿执回复关键词【资料】
— 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
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
for i in range(0, 10):# 调用获取页面信息的函数，10次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 。
baseurl = "https://movie.douban.com/top250?start="
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。
更多爬虫、数据分析、全栈开发、人工智能学习资料自取私信@Python阿执回复关键词【资料】
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
def askURL(url):head = {# 模拟浏览器头部信息，向豆瓣服务器发送消息"User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122Safari / 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（本质上是告诉浏览器，我们可以接收什么水平的文件内容）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
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。
更多爬虫、数据分析、全栈开发、人工智能学习资料自取私信@Python阿执回复关键词【资料】
来，我们继续往下走，
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：
2.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，
findLink = re.compile(r'')# 创建正则表达式对象，标售规则影片详情链接的规则findImgSrc = https://www.30zx.com/re.compile(r'(.*)')findRating = re.compile(r'(.*)')findJudge = re.compile(r'(d*)人评价')findInq = re.compile(r'(.*)')findBd = re.compile(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：
3.保存数据
# 3.保存数据saveData(datalist,savepath)#2种存储方式可以只选择一种# 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）：
def saveData(datalist,savepath):print("save.......")book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表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+1))#输出语句，用来测试data = https://www.30zx.com/datalist[i]for j in range(0,8):sheet.write(i+1,j,data[j])#数据book.save(savepath) #保存
创建工作表静态网页的爬取思路，创建（会在当前目录下创建），
sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) #创建工作表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
更多爬虫、数据分析、全栈开发、人工智能学习资料自取私信@Python阿执回复关键词【资料】
成了，成了！
更多爬虫、数据分析、全栈开发、人工智能学习资料自取私信@Python阿执回复关键词【资料】
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
本篇文章讲解到这里啦，我感觉我讲得还算细致吧，爬虫我也是最近才可以学，对这个比较有兴趣，我肯定有讲得不好的地方，欢迎各位大佬来指正我。
我也在不断地学习中，学到新东西第一时间会跟大家分享
大家可以动动小手，点波关注不迷路。
如果关于本篇文章有不懂的地方，欢迎大家下面留言，我知道的都会给大家一一解答。
白嫖不好，创作不易。各位的点赞就是我创作的最大动力，如果我有哪里写得不对，欢迎评论区留言进行指正。
老铁，如果有收获，请点个免费的赞鼓励一下博主呗
本文到此结束，希望对大家有所帮助！

零基础入门，老年人都看得懂 Python爬虫超详细讲解

猜你喜欢