python爬网站的题库_Python零基础爬虫教程（实战案例爬取电影网站资源链接）

前言

好像没法添加链接，文中的链接只能复制到浏览器查看了

这篇是我写在csdn的，那里代码格式支持更好，文章链接 https://blog.csdn.net/d497465762/article/details/105580408

女朋友看了都能学会的爬虫教学

自己断断续续学习练习了两三年python爬虫，从网上看了无数教程，跟大神们学习了各种神奇的操作，现在虽然没成为大神，但是想通过这篇教程来分享自己学习的爬虫实战案例。

通过本教程，你将学会如何用Python爬虫从网络上爬取你想要的电影下载资源。本案例以00电影网(www.0011kytt.com)为例，手把手带你写程序，把你的智障小爬虫教到幼儿园毕业。当然你可以修改代码爬取你想要的任何内容。

如果你是真·零基础请从头阅读，如果你有些基础可以选择部分阅读。

第一章 你需要的环境和软件

python3.5

既然我们是python爬虫，那必然需要python了。我用的是3.5.3版本

https://www.python.org/downloads/release/python-353/  点这个链接并下拉翻到图中位置

Python3.5.3下载页

点击红框里的链接进行下载，如果你是64位系统就点第一个，如果你是32位系统就点第二个

下载完成后是一个.exe文件，双击运行，开始安装，一路下一步就可以了，这里我已经安装过了所以没法一步步演示，如果遇到问题可以留言保证第一时间回答，让你的爬虫不会趴窝在起跑线上

pycharm community 2017

这个呢是一个代码编辑器，可以大大提高编程效率，把他看做你的爬虫的幼儿园，就在这里面让它一点点变强

同样是去官网下载，并且community版本是免费的，完全够用

http://www.jetbrains.com/pycharm/download/#section=windows  点进去之后如图所示

pycharm下载页

确保你选择了红框的位置，然后点击download就可以下载了

下载完成后双击打开安装程序，依然是一直点下一步就好了，当然也有一些自定义选项你可以自己选择

到这里，幼儿园就建好了

环境配置

接下来就是环境配置，这一步的目的是让pycharm和python配合

首先，为了实现爬虫程序，我们需要给python安装一些工具包，操作非常简单

在开始菜单搜索cmd并回车，打开终端命令行窗口

手动输入 pip3 install -------------- 并回车

本文案例中需要两个库安装如下

pip3 install requests

pip3 install Beautifulsoup4  这两句要分别运行，等一句安装成功了再运行另一句

然后等待安装，成功后会提示下图字样pip安装库成功

第二章  开始写python爬虫

问题分析

在做任何爬虫之前，我们都要先了解你爬取的网站的源码，根据源码来找到你想爬取的内容在什么位置

那么首先我们来看看目标网站的页面源码目标网站，http://www.0011kytt.com/  点击这个网址打开网页，然后按F12键打开开发者模式，如图所示目标网站源码

图中，中间靠右侧的红色框里就是我们主要查看的内容，你要从这里面的代码中找到你想要的内容才可以进行爬取。

这里，我们的目标是搜索电影资源并保存下来。可以看到，网页中间有一个搜索框，输入电影名字点击搜索之后，会跳出搜索结果的页面，然后点击搜索结果就进入了该电影的详情页，并且有下载链接，如图所示电影详情页

这里我们搜索的是霸王别姬。

由上述过程，可以明确我们要写一个Python爬虫程序，让爬虫来代替我们去搜索和获取电影的下载链接，这就是我们接下来编程的指导思想，告诉你的程序让他去做什么。

总结一下，我们的爬虫要做下面这几件事情：

1、打开目标网页

2、找到搜索框

3、提交搜索电影名并打开搜索结果页面

4、进入搜索电影详情页

5、找到下载链接位置并把所有链接保存到本地电脑上

编程实现爬虫

1、打开目标网页

打开pycharm左上角菜单栏以此点击file-->new project

在弹出的对话框中，设置项目路径，这里命名为spider，然后点击create

稍等几秒项目就建立完成了，这时候在左边资源管理器栏会出现spider项目文件夹，在spider上面右键-->new-->Python file来创建一个python程序脚本文件，命名为spider，从现在开始这就是你儿子，你要教会他一切

然后就可以开始教我们的爬虫做事了

复制下面代码到spider.py中

# 导入之前安装的库

import requests

from bs4 import BeautifulSoup

# 首先定义以个变量url并赋值为目标网站'http://www.0011kytt.com'以及要搜索的电影名movie_name

# 注意引号，字符串必须用引号包围起来

movie_name = '霸王别姬'

url = 'http://www.0011kytt.com'

# 然后用request.get()来获取网页

r = requests.get(url)

# 这里要根据网页的编码来设置解码，这个目标网站编码为'utf-8'

r.encoding = 'utf-8'

# 然后获取网页源码并赋值给变量html

html = r.text

# 最后打印出网页源码

print(html)

然后右键spider.py脚本文件，点击 run 'spyder.py' 即可运行

运行结果在下面控制台栏显示，如图所示爬到了网页的源码

可以看到我们的爬虫乖乖爬到了网页的源码，跟浏览器中按F12得到的是一样的，这一步大功告成。

2、找到搜索框

这一步就要指挥我们的小爬虫根据刚才得到的源码去找搜索框了

小爬虫它怎么会知道搜索框在哪里呢，

当然是我们告诉它啊，

那我们怎么知道呢，

OK，回到浏览器按F12，在红框源码部分把鼠标指针放上去挨着找，鼠标指针位置对应的网页部分会变灰色，点击源码上的小三角可以展开所有内容，方便我们查找，如图所示目标网站搜索框位置

咦，找到了耶，好神奇有没有

现在我们知道了原来搜索框在这个网页源码的

这个部分，OK，去告诉那个智障小爬虫

# 这里利用BeautifulSoup库来解析网页的源码并赋值给soup，方便后面的寻找

soup = BeautifulSoup(html, "lxml")

# 因为我们已经知道搜索框在一个叫

的地方

# 所以根据class="search_box"来找就好了

# 注意，因为class是python关键字，所以这里要用class_，这是BeautifulSoup的规定

search_box = soup.find(class_='search_box')

# OK 打印出来看看找得对不对

print(search_box)

复制这段代码到spider.py中，粘贴到上一段代码后面，然后跟上面一样点击运行，得到结果如图找到网页搜索框代码

不得了了，这个智障爬虫已经学会找到搜索框了，OK，这一步又大功告成

3、提交搜索电影名并打开搜索结果页面

我们的小爬虫长进不小，继续教他怎么把电影名字填进搜索框然后点击搜索

再回到浏览器F12界面，我们再来找填电影名的位置以及搜索按钮的位置，如图搜索框输入电影名位置

搜索按钮位置

苏菲玛索也太好看了吧  忍不住截出来给大家看看  乌蝇哥乱入 这网页做的什么鬼

说正事

我们已经找到输入位置和搜索按钮位置分别在和中

另外，我们研究一下这个网站的搜索功能，先随便搜索一个霸王别姬吧，说姬不说吧文明你我他，如图

搜索结果页面

从图中看到，网站链接变了，搜索页面变为了php文件，记录下这个url

还不赶紧告诉你的智障爬虫，作为父亲就得手把手教他

# 网站搜索页面的url为http://www.0011kytt.com/search/search.php

search_url = 'http://www.0011kytt.com/search/search.php'

# 从网页源码里看到输入位置的input中有个name='keywords'

# 这个keywords就是用来记录我们输入电影名的变量

# 于是，我们构造以下变量，用来让爬虫往搜索框填电影名

formdata = {'type': 'text',

'keywords': movie_name}

# requests.post就可以把formdata填进搜索框，并得到搜索结果页面赋值给r_r

r_r = requests.post(search_url, formdata)

# 同样需要解码

r_r.encoding = 'utf-8'

# 获取网页源码并赋值给变量html

r_html = r_r.text

# 打印看看对不对

print(r_html)

复制代码到spider.py中，贴在上一段代码后面，然后运行，得到结果如下图爬虫搜索结果

哎哟，不得了了，我们的爬虫会自己搜索了呢！

从图中可以看到，霸王别姬的详情页链接就在

的 中，那就好办了呀，直接让爬虫获取链接并打开

# 首先还是用BeautifulSoup库来解析网页的源码

r_soup = BeautifulSoup(r_html, "lxml")

# 再根据class_='item_pic'找到所有搜索结果，有可能搜索到多个匹配的结果

movie_div_list = r_soup.find_all(class_='item_pic')

# 创建一个空的列表movie_url_list来存储搜索结果的详情页链接

movie_url_list = []

# 因为有可能搜索到多个匹配的结果

# 所以这里用一个循环来获取所有搜索结果的电影详情页链接

for movie_div in movie_div_list:

# 对每一个搜索结果，找到其中的href里存着的详情页链接

movie_url = movie_div.a.attrs['href']

# 把详情页链接存到movie_url_list中

movie_url_list.append(movie_url)

# OK 打印看看所有搜索结果的详情页链接

print(movie_url_list)

同上点击运行，结果如下

得到了霸王别姬的详情页地址

可以看到列表中只有一个链接，因为霸王别姬搜索结果只有一个。。。

4、进入搜索电影详情页

这一步很简单，只要request详情页链接得到详情页源码，跟我们去浏览器手动F12得到的源码比较一下，如果一样那就说明成功了

# 这一步得构造详情页的链接，因为上一步得到的链接只是网站的相对路径我们是无法直接访问的

# 因为上一步的搜索结果可能有好几个，所以还是构造循环程序

for movie_url in movie_url_list:

# 构造详情页链接

movie_url = url + movie_url

# 直接 requests.get获取网页

r_m = requests.get(movie_url)

# 同样需要解码

r_m.encoding = 'utf-8'

# 获取网页源码并赋值给变量html

m_html = r_m.text

# 打印看看对不对

print(r_html)

同上复制到spider.py并运行得到结果如下(篇幅限制截图一部分)爬虫得到的详情页源码

然后到霸王别姬的详情页 http://www.0011kytt.com/films/00kytt2147100.html 按F12查看源码，比较之后完全一样，这一步又大功告成，你的智障爬虫离幼儿园毕业只差一步了！

5、找到下载链接位置并把所有链接保存到本地电脑上

这一步，我们要指挥爬虫去爬取详情页的所有下载链接并保存到自己电脑上

首先，我们还是得自己先看一下详情页源码，找到下载链接的位置，再告诉即将幼儿园毕业的爬虫霸王别姬详情页下载链接

可以看到，所有的下载链接都在

# # 首先还是用BeautifulSoup库来解析网页的源码

m_soup = BeautifulSoup(m_html, "lxml")

# 根据

取得电影名，方便保存下载链接时文件命名

name = m_soup.find('title').text.split('-')[1]

# 再根据class_='dwon1'找到所有下载链接

movie_down_list = m_soup.find_all(class_='dwon1')

# 创建一个空的列表down_url_list来存储搜索结果的详情页链接

down_url_list = []

# 继续循环爬取下载链接并保存到down_url_list

for movie_down in movie_down_list:

# 提取href中的下载链接

down_url = movie_down.attrs['href']

# 把下载链接保存到down_url_list中，并在每个链接后面加一个换行符'\n'

down_url_list.append(down_url + '\n')

# 接下来就是把下载链接都保存到'电影名.txt'中

with open(name+'.txt', 'w') as f:

f.writelines(down_url_list)

这里注意！注意！注意！这部分代码跟上部分代码都在同一个循环中！！！！

为了方便小白使用，请将第4步中的代码从spider.py中删除！并且！！复制下面这段完整的代码到刚才删除的位置！！！然后运行即可

# 这一步得构造详情页的链接，因为上一步得到的链接只是网站的相对路径我们是无法直接访问的

# 因为上一步的搜索结果可能有好几个，所以还是构造循环程序

for movie_url in movie_url_list:

# 构造详情页链接

movie_url = url + movie_url

# 直接 requests.get获取网页

r_m = requests.get(movie_url)

# 同样需要解码

r_m.encoding = 'utf-8'

# 获取网页源码并赋值给变量html

m_html = r_m.text

# 打印看看对不对

# print(m_html)

# # 首先还是用BeautifulSoup库来解析网页的源码

m_soup = BeautifulSoup(m_html, "lxml")

# 根据

取得电影名，方便保存下载链接时文件命名

name = m_soup.find('title').text.split('-')[1]

# 再根据class_='dwon1'找到所有下载链接

movie_down_list = m_soup.find_all(class_='dwon1')

# 创建一个空的列表down_url_list来存储搜索结果的详情页链接

down_url_list = []

# 继续循环爬取下载链接并保存到down_url_list

for movie_down in movie_down_list:

# 提取href中的下载链接

down_url = movie_down.attrs['href']

# 把下载链接保存到down_url_list中，并在每个链接后面加一个换行符'\n'

down_url_list.append(down_url + '\n')

# 接下来就是把下载链接都保存到'电影名.txt'中

with open(name+'.txt', 'w') as f:

f.writelines(down_url_list)

运行之后我们看到，spider.py路径中多了一个txt文件，里面保存了下载链接，如图爬虫成功保存了所有链接

至此大功告成了！你的智障爬虫终于幼儿园毕业了！后面就要靠他自己悟了！

结束语

本文代码按顺序组合在一起就可以运行了，

实在不会的话评论区提问题

学透这段代码你就可以自由改写去爬任何网站了

然后你要问，我爬这么多电影资源干嘛啊我也看不完啊！

嘿嘿，你可以放进数据库，做自己的网站呀

做网站可以干嘛？ 可以靠流量，挂广告，赚零花钱呀！

有时间再写一个零基础建网站的教程吧