新手Python爬虫流程及教程详解

一秋的编程笔记

墨衍会员 · AI 创作全网分发码龄4年

关注

原创 2024-01-17 17:08:26 788 阅读 AI 写同款· GEO 优化 ›

AI权益加码！Claude Code、Cursor等20+工具免费用！购周边限时加赠Coding Plan Lite，畅享主流AI工具！学习进阶更高效！阅读详情

文章目录

前言

本文目的：根据本人的习惯与理解，用最简洁的表述，介绍爬虫的定义、组成部分、爬取流程，并讲解示例代码。

基础

爬虫的定义：定向抓取互联网内容（大部分为网页）、并进行自动化数据处理的程序。主要用于对松散的海量信息进行收集和结构化处理，为数据分析和挖掘提供原材料。

今日t条就是一只巨大的“爬虫”。

爬虫由URL库、采集器、解析器组成。

流程

如果待爬取的url库不为空，采集器会自动爬取相关内容，并将结果给到解析器，解析器提取目标内容后进行写入文件或入库等操作。

在这里插入图片描述

代码

第一步：写一个采集器

如下是一个比较简单的采集器函数。需要用到requests库。
首先，构造一个http的header，里面有浏览器和操作系统等信息。如果没有这个伪造的header，可能会被目标网站的WAF等防护设备识别为机器代码并干掉。

然后，用requests库的get方法获取url内容。如果http响应代码是200 ok，说明页面访问正常，将该函数返回值设置为文本形式的html代码内容。

如果响应代码不是200 ok，说明页面不能正常访问，将函数返回值设置为特殊字符串或代码。

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

解析器的作用是对采集器返回的html代码进行过滤筛选，提取需要的内容。
作为一个14年忠实用户，当然要用豆瓣举个栗子 _

我们计划爬取豆瓣排名TOP250电影的8个参数：排名、电影url链接、电影名称、导演、上映年份、国家、影片类型、评分。整理成字典并写入文本文件。

待爬取的页面如下，每个页面包括25部电影，共计10个页面。

在这里插入图片描述

在这里，必须要表扬豆瓣的前端工程师们，html标签排版非常工整具有层次，非常便于信息提取。

下面是“肖申克的救赎”所对应的html代码：（需要提取的8个参数用红线标注）

在这里插入图片描述

根据上面的html编写解析器函数，提取8个字段。该函数返回值是一个可迭代的序列。
我个人喜欢用re（正则表达式）提取内容。8个（.*?）分别对应需要提取的字段。

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()
		}

提取后的内容如下：

在这里插入图片描述

整理成完整的代码：（暂不考虑容错）

import requests
import re
import json

def get\_page(url):
	#采集器函数
	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):
	#解析器函数
	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):
	#写入文件函数
	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)

非常简洁，非常符合python简单、高效的特点。

说明：

需要掌握待爬取url的规律，才能利用for循环等操作自动化处理。
前25部影片的url是https://movie.douban.com/top250?start=0&filter，第26-50部影片url是https://movie.douban.com/top250?start=25&filter。规律就在start参数，将start依次设置为0、25、50、75。。。225，就能获取所有页面的链接。parse_page函数的返回值是一个可迭代序列，可以理解为字典的集合。运行完成后，会在程序同目录生成result.txt文件。内容如下：

在这里插入图片描述