python怎么爬取豆瓣網(wǎng)頁(yè)

這篇文章主要介紹了python怎么爬取豆瓣網(wǎng)頁(yè)，具有一定借鑒價(jià)值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

python 語(yǔ)法簡(jiǎn)要介紹

python 的基礎(chǔ)語(yǔ)法大體與c語(yǔ)言相差不大，由于省去了c語(yǔ)言中的指針等較復(fù)雜的結(jié)構(gòu)，所以python更被戲稱為最適合初學(xué)者的語(yǔ)言。而在基礎(chǔ)語(yǔ)法之外，python由其龐大的第三方庫(kù)組成，而其中包含多種模塊，而通過(guò)模塊中包含的各種函數(shù)與方法能夠幫助我們實(shí)現(xiàn)各種各樣的功能。

而在python爬蟲中，我們需要用到的標(biāo)準(zhǔn)庫(kù)有：

• urllib

• re

• bs4

• xlwt
  

其中urllib庫(kù)可以幫助我們爬取目標(biāo)網(wǎng)頁(yè)的html代碼，bs4中的beautifulsoup模塊以及re庫(kù)中的正則表達(dá)式可以將我們需要的數(shù)據(jù)從代碼中提取出來(lái)，而xlwt庫(kù)可以將數(shù)據(jù)儲(chǔ)存至excel表中，從而最終完成數(shù)據(jù)的爬取。

接下來(lái)，就步入我們此次介紹的重點(diǎn)——完整爬取一個(gè)網(wǎng)頁(yè)的數(shù)據(jù)。

本篇文章以爬取豆瓣電影top250的數(shù)據(jù)為例，并將爬取的過(guò)程分為三個(gè)部分：

1.爬取網(wǎng)頁(yè)

2.解析網(wǎng)頁(yè)

3.儲(chǔ)存網(wǎng)頁(yè)

那么，讓我們開始吧！

豆瓣top250網(wǎng)址：https://movie.douban.com/top250?start=

爬取網(wǎng)頁(yè)

import urllib.request

引入urllib庫(kù)中的request模塊

urllib庫(kù)的基本操作可參考該網(wǎng)址：

http://kemok4.com/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"
    }# 模擬瀏覽器的登錄
    request = urllib.request.Request(url,headers=head)
    #將網(wǎng)頁(yè)的url和頭部信息封裝至一起
    response = urllib.request.urlopen(request)
    #獲取網(wǎng)頁(yè)的html代碼
    html = response.read().decode("utf-8")
    #將獲取的數(shù)據(jù)轉(zhuǎn)化為utf-8格式
    #print(html)    #此步可以實(shí)驗(yàn)一下能否成功爬取網(wǎng)頁(yè)的html代碼
    return html

1.其中urllib.request.Request可以幫我們把要爬取的網(wǎng)頁(yè)的url及其他的頭部信息封裝至一起。

2.urlopen函數(shù)則可以幫助我們爬取下該網(wǎng)頁(yè)的html代碼

3.有一些網(wǎng)站會(huì)設(shè)置一下反爬機(jī)制來(lái)阻止我們的爬蟲，此時(shí)就需要我們?cè)O(shè)置頭部信息來(lái)模擬瀏覽器訪問(wèn)網(wǎng)站

需要用瀏覽器進(jìn)入該網(wǎng)址，使用開發(fā)者模式獲取我們需要的頭部信息（也就是該圖中的user-agent）

4.最后需要將我們的爬取下的html代碼轉(zhuǎn)化為utf-8格式進(jìn)行輸出

解析網(wǎng)頁(yè)

import re
from bs4 import BeautifulSoup

引入re庫(kù)和bs4庫(kù)

def getData(baseurl):
    datalist = []   #建立一個(gè)存放解析出的數(shù)據(jù)的元組
    for i in range(0,10):
        url = baseurl + str(i*25)
        # 通過(guò)以下兩張截圖，我們可以發(fā)現(xiàn)豆瓣將每25部電影分為一頁(yè)，共分成了10頁(yè)、
        # 而其url的差別僅在最后加了25，故通過(guò)該規(guī)律，可將所有10張網(wǎng)頁(yè)的url全部獲取
        html = askURL(url)
        soup = BeautifulSoup(html,"html.parser")
        #通過(guò)beautifulsoup模塊自帶的html代碼解析器進(jìn)行解析
        #并將解析器解析出的數(shù)據(jù)放至soup中

逐頁(yè)進(jìn)行解析，使解析出的數(shù)據(jù)能被我們接下來(lái)要使用的正則表達(dá)式識(shí)別

所謂正則表達(dá)式，就是對(duì)字符串操作的一種邏輯公式,就是用事先定義好的一些特定字符、及這些特定字符的組合,組成一個(gè)“規(guī)則字符串”,這個(gè)“規(guī)則字符串”用來(lái)表達(dá)對(duì)字符串的一種過(guò)濾邏輯，通過(guò)這種過(guò)濾，就可以得到我們想要的信息，就例如影片的名稱，評(píng)分等信息。

findlink = re.compile(r'<a href="(.*?)" rel="external nofollow" >')  # r表示不受轉(zhuǎn)義字符的影響
#該代碼通過(guò)正則表達(dá)式搜尋到所有關(guān)于影片鏈接的數(shù)據(jù)，以下代碼類似
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S) #讓換行符包含在字符中
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(píng)價(jià)</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模塊，并通過(guò)for循環(huán)一步步處理
            data = []
            item = str(item) #將item轉(zhuǎn)化為字符串類型
            link = re.findall(findlink,item)[0]
            #通過(guò)影片詳情鏈接的正則表達(dá)式抽取數(shù)據(jù)
            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(gè)名稱，則分別進(jìn)行存儲(chǔ)
                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(méi)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())   # 去掉前后空格

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

以上代碼能通過(guò)正則表達(dá)式抽取出需要的數(shù)據(jù)存放data列表中，然后將所有的data數(shù)據(jù)存放至datalist列表中。

儲(chǔ)存網(wǎng)頁(yè)

將解析出的數(shù)據(jù)儲(chǔ)存到excel表中

import xlwt

引入xlwt庫(kù)

xlwt的基本操作可參考該網(wǎng)址：

http://kemok4.com/article/209536.htm

def savepath(datalist):
    workbook = xlwt.Workbook(encoding="utf-8")
 #創(chuàng)建以u(píng)tf-8格式編碼的一個(gè)workbook對(duì)象，該對(duì)象最后能保存為excel表格
    worksheet = workbook.add_sheet("sheetwdy")
 #創(chuàng)建工作表“sheetwdy”
    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")
 #創(chuàng)建一個(gè)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信息寫入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])
 #將解析出的數(shù)據(jù)通過(guò)for循環(huán)一條條導(dǎo)入excel表中
    workbook.save("豆瓣250.xls")
 #將該excel表進(jìn)行保存

如此我們便可以把解析出的數(shù)據(jù)存儲(chǔ)至excel表中了

感謝你能夠認(rèn)真閱讀完這篇文章，希望小編分享的“python怎么爬取豆瓣網(wǎng)頁(yè)”這篇文章對(duì)大家有幫助，同時(shí)也希望大家多多支持億速云，關(guān)注億速云行業(yè)資訊頻道，更多相關(guān)知識(shí)等著你來(lái)學(xué)習(xí)!