python 爬取豆瓣網頁的範例

2021-04-13 19:03:57

python作為一種已經廣泛傳播且相對易學的直譯語言,現如今在各方面都有著廣泛的應用。而爬蟲則是其最為我們耳熟能詳的應用，今天筆者就著重針對這一方面進行介紹。

python 語法簡要介紹

python 的基礎語法大體與c語言相差不大，由於省去了c語言中的指標等較複雜的結構，所以python更被戲稱為最適合初學者的語言。而在基礎語法之外，python由其龐大的第三方庫組成，而其中包含多種模組，而通過模組中包含的各種函數與方法能夠幫助我們實現各種各樣的功能。

而在python爬蟲中，我們需要用到的標準庫有：

urllib
re
bs4
xlwt

其中urllib庫可以幫助我們爬取目標網頁的html程式碼，bs4中的beautifulsoup模組以及re庫中的正規表示式可以將我們需要的資料從程式碼中提取出來，而xlwt庫可以將資料儲存至excel表中，從而最終完成資料的爬取。

接下來，就步入我們此次介紹的重點——完整爬取一個網頁的資料。

本篇文章以爬取豆瓣電影top250的資料為例，並將爬取的過程分為三個部分：

1.爬取網頁

2.解析網頁

3.儲存網頁

那麼，讓我們開始吧！

豆瓣top250網址：https://movie.douban.com/top250?start=

爬取網頁

import urllib.request

引入urllib庫中的request模組

urllib庫的基本操作可參考該網址：

https://www.jb51.net/article/209542.htm

def askURL(url):
    head = {
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 88.0.4324.182Safari / 537.36"
    }# 模擬瀏覽器的登入
    request = urllib.request.Request(url,headers=head)
    #將網頁的url和頭部資訊封裝至一起
    response = urllib.request.urlopen(request)
    #獲取網頁的html程式碼
    html = response.read().decode("utf-8")
    #將獲取的資料轉化為utf-8格式
    #print(html)    #此步可以實驗一下能否成功爬取網頁的html程式碼
    return html

1.其中urllib.request.Request可以幫我們把要爬取的網頁的url及其他的頭部資訊封裝至一起。

2.urlopen函數則可以幫助我們爬取下該網頁的html程式碼

3.有一些網站會設定一下反爬機制來阻止我們的爬蟲，此時就需要我們設定頭部資訊來模擬瀏覽器存取網站

需要用瀏覽器進入該網址，使用開發者模式獲取我們需要的頭部資訊（也就是該圖中的user-agent）

4.最後需要將我們的爬取下的html程式碼轉化為utf-8格式進行輸出

解析網頁

import re
from bs4 import BeautifulSoup

引入re庫和bs4庫

def getData(baseurl):
    datalist = []   #建立一個存放解析出的資料的元組
    for i in range(0,10):
        url = baseurl + str(i*25)
        # 通過以下兩張截圖，我們可以發現豆瓣將每25部電影分為一頁，共分成了10頁、
        # 而其url的差別僅在最後加了25，故通過該規律，可將所有10張網頁的url全部獲取
        html = askURL(url)
        soup = BeautifulSoup(html,"html.parser")
        #通過beautifulsoup模組自帶的html程式碼解析器進行解析
        #並將解析器解析出的資料放至soup中

逐頁進行解析，使解析出的資料能被我們接下來要使用的正規表示式識別

所謂正規表示式，就是對字串操作的一種邏輯公式,就是用事先定義好的一些特定字元、及這些特定字元的組合,組成一個「規則字串」,這個「規則字串」用來表達對字串的一種過濾邏輯，通過這種過濾，就可以得到我們想要的資訊，就例如影片的名稱，評分等資訊。

findlink = re.compile(r'<a href="(.*?)" rel="external nofollow" >')  # r表示不受跳脫字元的影響
#該程式碼通過正規表示式搜尋到所有關於影片連結的資料，以下程式碼類似
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S) #讓換行符包含在字元中
findtitle = re.compile(r'<span class="title">(.*)</span>')
findscore = 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)

        for item in soup.find_all("div",class_="item"):
        #提取所有class為「item」的div模組，並通過for迴圈一步步處理
            data = []
            item = str(item) #將item轉化為字串型別
            link = re.findall(findlink,item)[0]
            #通過影片詳情連結的正規表示式抽取資料
            data.append(link)
            #存放至data列表中
            ImgSrc = re.findall(findImgSrc,item)[0]
            data.append(ImgSrc)
            title = re.findall(findtitle,item)
            if len(title)==2:
                #如果影片有多個名稱，則分別進行儲存
                ctitle = title[0]
                data.append(ctitle)
                otitle = title[1].replace("/","")
                data.append(otitle)
            else:
                data.append(title[0])
                data.append(" ")
            score = re.findall(findscore,item)
            data.append(score)
            judge = re.findall(findjudge,item)
            data.append(judge)
            inq = re.findall(findinq,item)
            if len(inq)!=0:
                inq = inq[0].replace("。","")
                data.append(inq)
            else:
                data.append("")
                #若有影片詳情，則輸出；若沒有，則輸出為空
            bd = re.findall(findbd,item)[0]
            bd = re.sub('<br(s+)?/>(s+)?'," ",bd)
            bd = re.sub('/'," ",bd)
            data.append(bd.strip())   # 去掉前後空格

            datalist.append(data)
    print(datalist)
    return datalist

以上程式碼能通過正規表示式抽取出需要的資料存放data列表中，然後將所有的data資料存放至datalist列表中。

儲存網頁

將解析出的資料儲存到excel表中

import xlwt

引入xlwt庫

xlwt的基本操作可參考該網址：

https://www.jb51.net/article/209536.htm

def savepath(datalist):
    workbook = xlwt.Workbook(encoding="utf-8")
 #建立以utf-8格式編碼的一個workbook物件，該物件最後能儲存為excel表格
    worksheet = workbook.add_sheet("sheetwdy")
 #建立工作表「sheetwdy」
    col = ("電影詳情連結", "圖片連結", "影片中文名", "影片外國名", "評分", "評價數", "概況", "相關資訊")
 #建立一個元組
    for i in range(0, 8):
        worksheet.write(0, i, col[i])  
 # 將我們剛定義的元組中的資訊寫入excel表的第一行
    for i in range(0, 250):
        print("第%d條" % (i + 1))
        data = datalist[i]
        for j in range(0, 8):
            worksheet.write(i + 1, j, data[j])
 #將解析出的資料通過for迴圈一條條匯入excel表中
    workbook.save("豆瓣250.xls")
 #將該excel表進行儲存

如此我們便可以把解析出的資料儲存至excel表中了

以上便為成品圖

以上就是python 爬取豆瓣網頁的範例的詳細內容，更多關於python 爬取豆瓣網頁的資料請關注it145.com其它相關文章！

python 爬取豆瓣網頁的範例

python 語法簡要介紹

爬取網頁

解析網頁

儲存網頁

熱門文章