python爬取網(wǎng)頁(yè)的操作步驟

小編給大家分享一下python爬取網(wǎng)頁(yè)的操作步驟，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

之前在網(wǎng)上也寫了不少關(guān)于爬蟲爬取網(wǎng)頁(yè)的代碼，最近還是想把寫的爬蟲記錄一下，方便大家使用吧！

代碼一共分為4部分：

第一部分：找一個(gè)網(wǎng)站。

我這里還是找了一個(gè)比較簡(jiǎn)單的網(wǎng)站，就是大家都知道的https://movie.douban.com/top250?start=
大家可以登錄里面看一下。

這里大家可能會(huì)有一些庫(kù)沒有進(jìn)行安裝，先上圖讓大家安裝完爬取網(wǎng)頁(yè)所需要的庫(kù)，其中我本次用到的庫(kù)有：bs4，urllib，xlwt, re。

如圖

這里選擇file-setting-Project-然后選擇左下角的加號(hào)，自行去安裝自己所需要的文件就可以了。

下面的代碼是爬取網(wǎng)頁(yè)的源代碼：

import urllib.requestfrom bs4 import BeautifulSoupimport xlwtimport redef main():
    #   爬取網(wǎng)頁(yè)
    baseurl = 'https://movie.douban.com/top250?start='
    datalist = getData(baseurl)
    savepath = '豆瓣電影Top250.xls'
    #   保存數(shù)據(jù)
    saveData(datalist,savepath)
    # askURL("https://movie.douban.com/top250?start=1")#影片詳情的規(guī)則findLink = re.compile(r'<a class="" href="(.*?)">')  #創(chuàng)建從正則表達(dá)式，表示規(guī)則findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) #讓換行符匹配到字符中#影片的片名finTitle = re.compile(r'<span class="title">(.*)</span>')#影片的評(píng)分findReating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')#找到評(píng)價(jià)人數(shù)findJudge = re.compile(r'<span>(\d*)人評(píng)價(jià)</span>')#找到概況findInq = re.compile(r'<span class="inq">(.*)</span>')#找到影片的相關(guān)內(nèi)容findBb = re.compile(r'<p class="">(.*?)</p>', re.S)#re.S忽視換行符

第二部分：爬取網(wǎng)頁(yè)。

def getData(baseurl):
    datalist = []
    for i in range(0, 10):
        url = baseurl + str(i*25)
        html = askURL(url)    #保存獲取到的網(wǎng)頁(yè)源碼

        #對(duì)網(wǎng)頁(yè)進(jìn)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)  #測(cè)試查看電影信息
            data = []
            item = str(item)
            link = re.findall(findLink, item)[0]  #re庫(kù)用來(lái)查找指定的字符串
            data.append(link)
            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc) #添加圖片
            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("/", "")去掉無(wú)關(guān)的符號(hào)
                data.append(otitle)     #添加英文名
            else:
                data.append(titles[0])
                data.append(' ')#外國(guó)名字留空
            rating = re.findall(findReating, item)[0] #添加評(píng)分
            data.append(rating)

            judgeNum = re.findall(findJudge,item) #評(píng)價(jià)人數(shù)
            data.append(judgeNum)
            inq = re.findall(findInq, item)  #添加概述
            if len(inq) != 0:
                inq = inq[0].replace(".", "")  #去掉句號(hào)
                data.append(inq)
            else:
                data.append(" ")    #留空
            bd = re.findall(findBb,item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?',' ', bd)  #去掉br  后面這個(gè)bd表示對(duì)bd進(jìn)行操作
            bd = re.sub('/', ' ', bd)   #替換/
            data.append(bd.strip())  #去掉前后的空格strip()
            datalist.append(data)   #把處理好的一部電影放入datalist當(dāng)中

    return datalist

第三部分：得到一個(gè)指定的url信息。

#得到指定的一個(gè)url網(wǎng)頁(yè)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請(qǐng)求不需要其他的的，而post請(qǐng)求需要 一個(gè)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：保存數(shù)據(jù)

#    3:保存數(shù)據(jù)def saveData(datalist,savepath):

    book = xlwt.Workbook(encoding="utf-8", style_compression=0)
    sheet = book.add_sheet('豆瓣電影Top250', cell_overwrite_ok=True)
    col = ('電影詳情鏈接', '圖片鏈接', '影片中文名', '影片外國(guó)名', '評(píng)分', '評(píng)價(jià)數(shù)', '概況', '相關(guān)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)
        data = datalist[i]
        for j in range(0,8):
            sheet.write(i+1,j,data[j])
    book.save(savepath) #保存

這里大家看一下代碼，關(guān)于代碼的標(biāo)注我寫的還是挺清楚的。

其中關(guān)于學(xué)習(xí)這個(gè)爬蟲，還需要學(xué)習(xí)一些基本的正則表達(dá)式，當(dāng)然python基本的語(yǔ)法是不可少的希望對(duì)大家有幫助吧。

以上是“python爬取網(wǎng)頁(yè)的操作步驟”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道！