小说排行榜完结版,欢乐颂第一季,小说排行榜完结版

主頁 > 知識庫 > 一個入門級python爬蟲教程詳解

一個入門級python爬蟲教程詳解

前言

本文目的：根據本人的習慣與理解，用最簡潔的表述，介紹爬蟲的定義、組成部分、爬取流程，并講解示例代碼。

基礎

爬蟲的定義：定向抓取互聯(lián)網內容（大部分為網頁）、并進行自動化數據處理的程序。主要用于對松散的海量信息進行收集和結構化處理，為數據分析和挖掘提供原材料。

今日t條就是一只巨大的“爬蟲”。

爬蟲由URL庫、采集器、解析器組成。

流程

如果待爬取的url庫不為空，采集器會自動爬取相關內容，并將結果給到解析器，解析器提取目標內容后進行寫入文件或入庫等操作。

代碼

第一步：寫一個采集器

如下是一個比較簡單的采集器函數。需要用到requests庫。
首先，構造一個http的header，里面有瀏覽器和操作系統(tǒng)等信息。如果沒有這個偽造的header，可能會被目標網站的WAF等防護設備識別為機器代碼并干掉。

然后，用requests庫的get方法獲取url內容。如果http響應代碼是200 ok，說明頁面訪問正常，將該函數返回值設置為文本形式的html代碼內容。

如果響應代碼不是200 ok，說明頁面不能正常訪問，將函數返回值設置為特殊字符串或代碼。

import requests

def get_page(url):
	headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'}
	response = requests.get(url, headers= headers)
	if response.status_code == 200:
	  return response.text
	else:
		return 'GET HTML ERROR !'

第二步：解析器

解析器的作用是對采集器返回的html代碼進行過濾篩選，提取需要的內容。
作為一個14年忠實用戶，當然要用豆瓣舉個栗子 _

我們計劃爬取豆瓣排名TOP250電影的8個參數：排名、電影url鏈接、電影名稱、導演、上映年份、國家、影片類型、評分。整理成字典并寫入文本文件。

待爬取的頁面如下，每個頁面包括25部電影，共計10個頁面。

在這里，必須要表揚豆瓣的前端工程師們，html標簽排版非常工整具有層次，非常便于信息提取。

下面是“肖申克的救贖”所對應的html代碼：（需要提取的8個參數用紅線標注）

根據上面的html編寫解析器函數，提取8個字段。該函數返回值是一個可迭代的序列。
我個人喜歡用re（正則表達式）提取內容。8個（.*?）分別對應需要提取的字段。

import re

def parse_page(html):
	pattern = re.compile('em class="">(.*?)/em>.*?a href="(.*?)" rel="external nofollow" rel="external nofollow" >.*?span class="title">(.*?)/span>.*?div class="bd">.*?p class="">(.*?)nbsp.*?br>(.*?)nbsp;/nbsp;(.*?)nbsp;/nbsp;(.*?)/p>.*?span class="rating_num".*?"v:average">(.*?)/span>' , re.S)
	items = re.findall(pattern , html)
	for item in items:
		yield {
		  'rank': item[0],
		  'href': item[1],
		  'name': item[2],
		  'director': item[3].strip()[4:],
		  'year': item[4].strip(),
		  'country': item[5].strip(),
		  'style': item[6].strip(),
		  'score': item[7].strip()
		}

提取后的內容如下：

整理成完整的代碼：（暫不考慮容錯）

import requests
import re
import json

def get_page(url):
	#采集器函數
	headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'}
	response = requests.get(url, headers= headers)
	if response.status_code == 200:
	  return response.text
	else:
		return 'GET HTML ERROR ! '


def parse_page(html):
	#解析器函數
	pattern = re.compile('em class="">(.*?)/em>.*?a href="(.*?)" rel="external nofollow" rel="external nofollow" >.*?span class="title">(.*?)/span>.*?div class="bd">.*?p class="">(.*?)nbsp.*?br>(.*?)nbsp;/nbsp;(.*?)nbsp;/nbsp;(.*?)/p>.*?span class="rating_num".*?"v:average">(.*?)/span>' , re.S)
	items = re.findall(pattern , html)
	for item in items:
		yield {
		  'rank': item[0],
		  'href': item[1],
		  'name': item[2],
		  'director': item[3].strip()[4:],
		  'year': item[4].strip(),
		  'country': item[5].strip(),
		  'style': item[6].strip(),
		  'score': item[7].strip()
		}


def write_to_file(content):
	#寫入文件函數
	with open('result.txt' , 'a' , encoding = 'utf-8') as file:
		file.write(json.dumps(content , ensure_ascii = False) + '\n')


if __name__== "__main__":
	# 主程序
	for i in range(10):
		url= 'https://movie.douban.com/top250?start='+ str(i*25)+ 'filter'
		for res in parse_page(get_page(url)):
			write_to_file(res)

非常簡潔，非常符合python簡單、高效的特點。

說明：

需要掌握待爬取url的規(guī)律，才能利用for循環(huán)等操作自動化處理。
前25部影片的url是https://movie.douban.com/top250?start=0filter，第26-50部影片url是https://movie.douban.com/top250?start=25filter。規(guī)律就在start參數，將start依次設置為0、25、50、75。。。225，就能獲取所有頁面的鏈接。parse_page函數的返回值是一個可迭代序列，可以理解為字典的集合。運行完成后，會在程序同目錄生成result.txt文件。內容如下：