第五周学习总结(爬虫基础)

第五周学习总结(爬虫基础)

简单爬虫

爬虫能让我们轻松、高效地获取网页上的数据，但写好一个爬虫并不是一件可以一蹴而就的事，现在来介绍一个简单爬虫的写法。

获取页面：resp = request.get(url)

这样就可以得到网页中的resp.text数据，下面是代码示例

import requests

resp = requests.get('https://sohu.com/')
print(resp.status_code) # 获取响应码 200则表示成功
print(resp.text) # 打印获取的数据

分析获取的数据

用上面的方法获取的信息也许并非全部是我们想要的，那么怎样从中筛选出我们想要的信息呢，下面介绍两种方法：

正则表达式解析：re.compile('...') ---> Pattern ---> findall / match / search

CSS选择器解析：BeautifulSoup4 ---> BeautifulSoup ---> select ---> Tag ---> text / attrs

然而这两种方法都需要对网页的页面布局进行解析，需要一定的前端知识，这里选用比较简单的方法，以Chrome浏览器为例，进入刚才获取信息的网页，按F12(或者从菜单栏中寻找)使用开发者工具。

这里顺便提点别的东西，在后面的分析中也用得到。

进入开发者工具后，从顶侧菜单栏中选择 Network

此时的下侧显示栏中可能没有什么内容 我们刷新一下页面

这时我们能看到一堆东西，这就是我们请求页面时获取到的所有参数

让我们点击第一个(www.sohu.com)，看一看到底发生了什么

这里就是我们请求页面时的常规属性、响应头和请求头。这里有不少有用的信息可以在后续操作中用到。

让我们回到顶侧菜单栏 ，点击Elements。

在这里我们能看到整个页面的源代码，鼠标指向其中的标签，就能看到这部分在描述网页的哪一部分(在网页中以浅蓝色阴影标出)。当然，你也可以用鼠标指向你想要获取的信息，右键点击，在右键菜单栏中找到检查选项，可以直接跳转到源代码的这一部分。

知道了如何筛选我们想要的信息后，来实际操作一下。

如果我们想要获取标签中包含的所有链接信息，那么用正则表达式和CSS选择器该如何表示，下面直接贴代码。

import re
import requests

resp = requests.get('https://sohu.com/')
# print(resp.status_code)
# print(resp.text)
if resp.status_code == 200:
    pattern = re.compile(r'\') # 正则表达式 匹配a标签中的链接部分
    for result in pattern.findall(resp.text):
        print(result)
else:
    print('获取网页失败！')

import bs4
import requests

resp = requests.get('https://sohu.com/')
if resp.status_code == 200:
    soup = bs4.BeautifulSoup(resp.text, 'html.parser')
    # select方法会通过CSS选择器定位页面元素
    anchors = soup.select('a[href]')
    for anchor in anchors:
        # 通过标签对象的attrs属性的索引操作获取指定的属性
        print(anchor.attrs['href'])
else:
    print('无法获取页面')

其中BeautifulSoup4是需要自行安装的第三方库。

爬虫的实际应用及可能遇到的问题

上面已经介绍了获取网页数据并进行分析的基础操作，但这些在我们的实际应用中是远远不够的，实际应用中我们会遇到来自网站的各种反爬措施，具体的情况具体分析，下面举出了一些例子。

• 获取豆瓣电影Top250

既然已经提到了实际应用，那我们拿到的东西不能光看，得保存下来吧？这里以Python读写Excel文件为例，需要用到第三方库，比如openpyxl、xlrd/xlwt、xlwings…这里以openpyxl为例，进行一个数据持久化(保存数据)的操作。

"""
爬取豆瓣电影Top250详情
"""
import random
import time

import bs4
import requests
import openpyxl


def fetch_movie_detail(detail_url):
    resp = requests.get(
        url=detail_url,
        headers={
   
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
        }
    )
    document = bs4.BeautifulSoup(resp.text, 'html.parser')
    gener_spans = document.select('span[property="v:genre"]')
    gener = ' / '.join([gener_span.text for gener_span in gener_spans])
    country_span = document.select('span.pl')[4]
    country = country_span.next_sibling.strip()
    language_span = document.select('span.pl')[5]
    language = language_span.next_sibling.strip()
    duration = document.select_one('span[property="v:runtime"]').attrs['content']
    return gener, country, language, duration


def main():
    wb = openpyxl.Workbo