零基础爬虫：通过模仿进行学习

---

前言

好家伙，爬虫来了

爬虫，这玩意，不会怎么办，

诶，先抄一份作业回来

1.别人的爬虫

**# -\*- codeing = utf-8 -\*-
from bs4 import BeautifulSoup  # 网页解析，获取数据
import re  # 正则表达式，进行文字匹配\`
import urllib.request, urllib.error  # 制定URL，获取网页数据
import xlwt  # 进行excel操作
#import sqlite3  # 进行SQLite数据库操作
findLink = re.compile(r'')  # 创建正则表达式对象，标售规则   影片详情链接的规则
findImgSrc = re.compile(r'(.\*)')
findRating \= re.compile(r'(.\*)')
findJudge \= re.compile(r'(\\d\*)人评价')
findInq \= re.compile(r'(.\*)')
findBd \= re.compile(r'
(.\*?)
', re.S)
def main():
    baseurl \= "https://movie.douban.com/top250?start="  #要爬取的网页链接
    # 1.爬取网页
    datalist = getData(baseurl)
    savepath \= "豆瓣电影Top250.xls"    #当前目录新建XLS，存储进去
    # dbpath = "movie.db"              #当前目录新建数据库，存储进去
    # 3.保存数据
    saveData(datalist,savepath)      #2种存储方式可以只选择一种
    # saveData2DB(datalist,dbpath)
# 爬取网页
def getData(baseurl):
    datalist \= \[\]  #用来存储爬取的网页信息
    for i in range(0, 10):  # 调用获取页面信息的函数，10次
        url = baseurl + str(i \* 25)
        html \= askURL(url)  # 保存获取到的网页源码
        # 2.逐一解析数据
        soup = BeautifulSoup(html, "html.parser")
        for item in soup.find\_all('div', class\_="item"):  # 查找符合要求的字符串
            data = \[\]  # 保存一部电影所有信息
            item = str(item)
            link \= re.findall(findLink, item)\[0\]  # 通过正则表达式查找
            data.append(link)
            imgSrc \= re.findall(findImgSrc, item)\[0\]
            data.append(imgSrc)
            titles \= re.findall(findTitle, item)
            if (len(titles) == 2):
                ctitle \= titles\[0\]
                data.append(ctitle)
                otitle \= titles\[1\].replace("/", "")  #消除转义字符
                data.append(otitle)
            else:
                data.append(titles\[0\])
                data.append(' ')
            rating \= re.findall(findRating, item)\[0\]
            data.append(rating)
            judgeNum \= re.findall(findJudge, item)\[0\]
            data.append(judgeNum)
            inq \= re.findall(findInq, item)
            if len(inq) != 0:
                inq \= inq\[0\].replace("。", "")
                data.append(inq)
            else:
                data.append(" ")
            bd \= re.findall(findBd, item)\[0\]
            bd \= re.sub('(\\s+)?', "", bd)
            bd \= re.sub('/', "", bd)
            data.append(bd.strip())
            datalist.append(data)
    return datalist
# 得到指定一个URL的网页内容
def askURL(url):
    head \= {  # 模拟浏览器头部信息，向豆瓣服务器发送消息
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122  Safari / 537.36"
    }
    # 用户代理，表示告诉豆瓣服务器，我们是什么类型的机器、浏览器（本质上是告诉浏览器，我们可以接收什么水平的文件内容）
    request \= urllib.request.Request(url, headers=head)
    html \= ""
    try:
        response \= urllib.request.urlopen(request)
        html \= response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html
# 保存数据到表格
def saveData(datalist,savepath):
    print("save.......")
    book \= xlwt.Workbook(encoding="utf-8",style\_compression=0) #创建workbook对象
    sheet = book.add\_sheet('豆瓣电影Top250', cell\_overwrite\_ok=True) #创建工作表
    col = ("电影详情链接","图片链接","影片中文名","影片外国名","评分","评价数","概况","相关信息")
    for i in range(0,8):
        sheet.write(0,i,col\[i\])  #列名
    for i in range(0,250):
        # print("第%d条" %(i+1))       #输出语句，用来测试
        data = datalist\[i\]
        for j in range(0,8):
            sheet.write(i+1,j,data\[j\])  #数据
    book.save(savepath) #保存

if \_\_name\_\_ == "\_\_main\_\_":  # 当程序执行时
    # 调用函数
     main()
    # init\_db("movietest.db")
     print("爬取完毕！")**

卧槽，有点东西

这东西看上去挺nb啊，

也很方便，把我想要的一些数据直接总结到一个excel表格中了

我们来看看这些字段是如何匹配的

.xls

代码：

**findLink = re.compile(r'')  # 创建正则表达式对象，标售规则   影片详情链接的规则
findImgSrc = re.compile(r'(.\*)')
findRating \= re.compile(r'(.\*)')
findJudge \= re.compile(r'(\\d\*)人评价')
findInq \= re.compile(r'(.\*)')
findBd \= re.compile(r'
(.\*?)
', re.S)**

?? 这不就专业对口了吗

网站的html:

将三个"表"都打开,再来看看对比

(诶都对上了)

此处,使用正则表达式去匹配对应标签

于是看了这个案例之后，我们就可以大概去分析以下爬虫到底干了什么:

1.发请求，随后拿到服务器发过来的.html文件

2.用正则表达式去套对应的，我们需要的数据

3.处理数据，最后把他们以某种方式呈现

具体来说，爬虫通常会执行以下步骤：

1. 发送HTTP请求：爬虫通过发送HTTP请求来获取目标网页的内容。

2. 解析HTML页面：网页内容一般是HTML格式的，爬虫需要使用HTML解析器来将页面内容解析成Python对象。

3. 提取数据：通过Python编程语言对解析出来的对象进行遍历和操作，找到需要的数据并保存下来。

4. 存储数据：将提取的数据保存到文件中、数据库中或者内存中，以备后续的处理和分析。

5. 处理异常：爬虫需要处理异常，例如：请求超时、解析错误等，以确保爬虫的稳定性和可靠性。

开干

2.我的爬虫

好了，我们自己写一个爬虫试试

**import requests
from bs4 import BeautifulSoup
import xlwt
import re

# 创建Excel文件
workbook = xlwt.Workbook(encoding='utf-8')
worksheet \= workbook.add\_sheet('kugou\_rank')
# pattern = re.compile(r'(?<=- ).\*')

# 构造请求头
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'  
}

# 定义排行榜页面的URL
url = 'https://www.kugou.com/yy/rank/home/1-6666.html?from=rank'

# 发送请求并获取响应
r = requests.get(url, headers=headers)

# 解析HTML
soup = BeautifulSoup(r.text, 'html.parser')

# 定位歌曲排行榜列表
song\_list = soup.find('div', {'class': 'pc\_temp\_songlist'}).find\_all('li')

# 将数据写入Excel文件
worksheet.write(0, 0, '排名') #写入对应的字段
worksheet.write(0, 1, '歌名')
worksheet.write(0, 2, '歌手')
worksheet.write(0, 3, '专辑')
worksheet.write(0, 4, '播放时长')
worksheet.write(0, 5, '链接地址')

row \= 1
for song in song\_list:
    song\_name \= song.find('a', {'class': 'pc\_temp\_songname'}).text.strip()     #筛选出歌名 
    song\_title = song.get('title')
    singer\_pattern \= re.compile(r'.\*(?= - )')
    song\_singer \= singer\_pattern.findall(song\_title)

    song\_title \= song.get('title')
    print(song\_title)
    album\_pattern \= re.compile(r'(?<=- ).\*')
    song\_album \= album\_pattern.findall(song\_title)
    # song\_album = pattern.findall(song)
    song\_time = song.find('span', {'class': 'pc\_temp\_time'}).text.strip()

    link\_pattern \= re.compile(r'href="(.\*?)"')

    worksheet.write(row, 0, song\['data-index'\]) #将排行写入excel表格
    worksheet.write(row, 1, song\_name)          #将歌名写入excel表格
    worksheet.write(row, 2, song\_singer)        #将歌手写入excel表格
    worksheet.write(row, 3, song\_album)         #将歌曲专辑写入excel表格
    worksheet.write(row, 4, song\_time)          #将歌曲时长写入excel表格
    song =str(song)
    song \= song.split("javascript:")\[0\]
    song\_link \= link\_pattern.findall(song)
    worksheet.write(row, 5, song\_link)          #将歌曲时长写入excel表格
    row += 1

# 保存Excel文件
workbook.save('C:/Users/10722/Desktop/python答辩/kugou\_rank.xls')**

说明:

**# 构造请求头
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
}**

带着请求头去请求,一个简单的"反爬"机制,模仿浏览器去发请求,非常实用

(其实没什么乱用,你能想到的,网站的开发者大概也能想到,所以你要是乱来还是会封你IP的)

没什么难度

这爬了酷狗的一个音乐榜单

然后记录了一些音乐数据，还有歌曲的地址。

算是给大家提供了一些基础思路。

---

关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后给大家分享一份全套的 Python 学习资料，希望提供给想学习 Python 的小伙伴们一点帮助！

保存图片微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python基础学习视频

② 路线对应学习视频

还有很多适合0基础入门的学习视频，有了这些视频，轻轻松松上手Python~在这里插入图片描述

③练习题

每节视频课后，都有对应的练习题哦，可以检验学习成果哈哈！

因篇幅有限，仅展示部分资料

三、精品Python学习书籍

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python工具包+项目源码合集

①Python工具包

学习Python常用的开发软件都在这里了！每个都有详细的安装教程，保证你可以安装成功哦！

②Python实战案例

光学理论是没用的，要学会跟着一起敲代码，动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。100+实战案例源码等你来拿！

③Python小游戏源码

如果觉得上面的实战案例有点枯燥，可以试试自己用Python编写小游戏，让你的学习过程中增添一点趣味！

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

六、Python兼职渠道

而且学会Python以后，还可以在各大兼职平台接单赚钱，各种兼职渠道+兼职注意事项+如何和客户沟通，我都整理成文档了。


这份完整版的Python全套学习资料已经上传CSDN，朋友们如果需要可以保存图片微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】