Python爬虫采集信息
轻松学Python 人气:0一、前言
好不容易女神喊我去看电影,但是她又不知道看啥,那么我当然得准备准备~
二、前期准备
1、使用的软件
python 3.8 开源 免费的 (统一 3.8)
Pycharm YYDS python最好用的编辑器 不接受反驳…
2、需要用的模块
requests >>> 数据请求模块 pip install requests
parsel >>> 数据解析模块 pip install parsel
csv
3、模块安装问题
模块安装问题:
1)、如何安装python第三方模块:
第一种:win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车。
第二种:在pycharm中点击Terminal(终端) 输入安装命令
2)安装失败原因:
第一种: pip 不是内部命令
解决方法: 设置环境变量
第二种: 出现大量报红 (read time out)
解决方法: 因为是网络链接超时, 需要切换镜像源。
清华:http://pypi.tuna.tsinghua.edu.cn/simple 阿里云:http://mirrors.aliyun.com/pypi/simple/ 中国科技大学 http://pypi.mirrors.ustc.edu.cn/simple/ 华中理工大学:http://pypi.hustunique.com/ 山东理工大学:http://pypi.sdutlinux.org/ 豆瓣:http://pypi.douban.com/simple/ 例如:pip3 install -i http://pypi.doubanio.com/simple/ 模块名
第三种: cmd里面显示已经安装过了, 或者安装成功了, 但是在pycharm里面还是无法导入。
解决方法: 可能安装了多个python版本 (anaconda 或者 python 安装一个即可) 卸载一个就好,或者你pycharm里面python解释器没有设置好。
4、如何配置pycharm里面的python解释器?
如何配置pycharm里面的python解释器?
- 选择file(文件) >>> setting(设置) >>> Project(项目) >>> python interpreter(python解释器)
- 点击齿轮, 选择add
- 添加python安装路径
5、pycharm如何安装插件?
- 选择file(文件) >>> setting(设置) >>> Plugins(插件);
- 点击 Marketplace 输入想要安装的插件名字 比如:翻译插件 输入 translation;
- 选择相应的插件点击 install(安装) 即可;
- 安装成功之后 是会弹出 重启pycharm的选项 点击确定, 重启即可生效;
三、思路
爬虫获取数据是要分析服务器返回的数据内容,无论你爬取任何网站数据,都是可以按照这个几步骤来。
1、明确需求
我们要爬取的内容是什么 https://movie.douban.com/top250,要分析我们的想要数据, 可以从哪里获取/哪里来的… (数据来源分析)
用开发者工具进行抓包(数据包)分析,静态网页/网页上面看到的数据内容,在网页源代码里面都有。
2、发送请求
开发者工具里面headers ,对于那个网址发送请求,发送什么样的请求,携带那些请求头参数。
3、获取数据
获取服务器返回的数据内容,看服务器数据格式是什么样的,或者说我们想要的数据是什么样的;
获取文本数据 response.text
获取服务器json字典数据 response.json()
获取二进制数据 response.content
保存视频/音频/图片/特定格式的文件内容, 都是获取二进制数据;
4、解析数据
提供我们想要的数据内容
5、保存数据
保存本地
四、代码部分
import requests # 数据请求模块 pip install requests import parsel # 数据解析模块 pip install parsel import csv # 保存表格数据 f = open('豆瓣数据.csv', mode='a', encoding='utf-8', newline='') # 快速批量替换 全选内容 使用正则表达式 替换内容 csv_writer = csv.DictWriter(f, fieldnames=[ '电影名字', '导演', '主演', '年份', '国家', '电影类型', '评论人数', '评分', '概述', '详情页', ]) csv_writer.writeheader() for page in range(0, 250, 25): url = f'https://movie.douban.com/top250?start={page}&filter=' # headers 请求头 用来伪装python代码 为了防止爬虫程序被服务器识别出来, # User-Agent 浏览器的基本标识 用户代理 直接复制粘贴的 #Python学习交流群872937351 ,免费领取视频/电子书/解答等等 # 披着羊皮的狼 爬虫程序 >>> 狼 headers >>> 羊皮 服务器数据 >>> 羊圈 headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36' } # 发送请求 get # 通过requests数据请求模块里面get请求方法 对于 url以及发送请求并且携带header请求头, 最后用response变量接收返回数据 response = requests.get(url=url, headers=headers) # 获取数据 # print(response.text) # 解析数据 re正则表达式 css选择器 xpath 那一种更方便 更加舒服 就用哪一个 # json 键值对取值 # 提取我们想要的数据内容 # 把获取下来的 response.text 网页字符串数据 转成selector 对象 selector = parsel.Selector(response.text) # <Selector xpath=None data='<html lang="zh-CN" class="ua-windows ...'> 对象 # css选择器 根据标签属性提取数据 # 第一次解析数据, 获取所有li标签 lis = selector.css('.grid_view li') # css选择器语法 # selector.xpath('//*[@class="grid_view"]/li') # xpath写法 # [] 列表, 如果说我想要一一提取列表里面的元素 怎么做? for li in lis: try: # span:nth-child(1) 组合选择器 表示的选择第几个span标签 # 1 选择第一个span标签 text 获取标签文本数据 title = li.css('.hd a span:nth-child(1)::text').get() href = li.css('.hd a::attr(href)').get() # 详情页 # li.xpath('//*[@class="hd"]/a/span(1)/text()').get() # get返回字符串数据 getall 是返回列表数据 # get获取第一个标签数据 getall 获取所有的 move_info = li.css('.bd p::text').getall() actor_list = move_info[0].strip().split(' ') # 列表索引位置取值 # print(actor_list) date_list = move_info[1].strip().split('/') # 列表索引位置取值 director = actor_list[0].replace('导演: ', '').strip() # 导演 actor = actor_list[1].replace('主演: ', '').replace('/', '').replace('...', '') # 演员 date = date_list[0].strip() # 年份 country = date_list[1].strip() # 国家 move_type = date_list[2].strip() # 电影类型 comment = li.css('.star span:nth-child(4)::text').get().replace('人评价', '') # 评论人数 star = li.css('.star span:nth-child(2)::text').get() # 星级 world = li.css('.inq::text').get() # 概述 # 字符串的高级方法 # replace() 字符串替换的方法 strip() 去除字符串左右两端的空格 split() 分割 之后返回的列表 # 字符串如何去除空格呢? # print(title, actor_list, date_list) dit = { '电影名字': title, '导演': director, '主演': actor, '年份': date, '国家': country, '电影类型': move_type, '评论人数': comment, '评分': star, '概述': world, '详情页': href, } csv_writer.writerow(dit) print(title, director, actor, date, country, move_type, comment, star, world, href, sep=' | ') except: pass
加载全部内容