python爬虫:requests和urllib爬豆瓣Top250
文章目录
- 前言
- 一、urllib
- 二、requests
- 总结
前言
开始使用urllib模块爬的豆瓣top250感觉太多了,跟着视频做还是由很多看不懂
后来在另外一个视频里找到了一样的项目但是使用requests模块做的感觉代码简单好多主要是返回的数据格式很好不用再取优化,省了很多功夫。
一、urllib
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def main():baseurl = "https://movie.douban.com/top250?start=" # 每一个网页的url都是有规律的# 1.爬取网页并逐个页面解析datalist = getData(baseurl)# 2.保存数据sava_path = "豆瓣电影Top250.xls"saveData(datalist, sava_path)# 影片详情链接的抽象特征(正则匹配)
# .*:贪婪匹配(匹配所有字符) .*?:惰性匹配(匹配到了一个字符就不匹配了)
# 括号是匹配到一个后,把括号里面的东西拿出来
findLink = re.compile(r'<a href="(.*?)">') # 创建正则表达式对象,表示规则(字符串的模式)模糊查找的抽象特征
# 影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) # 让换行符包含在里面
# 影片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
# 评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
# 评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
# 找到概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
# 找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)# 爬取网页
def getData(baseurl):datalist = []for i in range(0, 10): # 左闭右开,拿到250条所有页面url = baseurl + str(i*25)html = askURL(url) # 保存获取到的网页# 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形成列表,加个下划线表示属性data = [] # 保存一部电影的所有信息item = str(item) # 转换为字符串进行进一步筛选link = re.findall(findLink, item)[0] # re库用来通过正则表达式来查找指定的字符串data.append(link) # 添加详情链接ImgSrc = re.findall(findImgSrc, item)[0]data.append(ImgSrc) # 添加图片titles = re.findall(findTitle, item) # 片名可能只有中文名,没有外国名if(len(titles) == 2):ctitle = titles[0]data.append(ctitle)otitle = titles[1].replace("/", "").replace("\xa0", "") # 去掉两种无关符号data.append(otitle) # 添加外国名else:data.append(titles[0])data.append(' ') # 没有外国名就留空rating = re.findall(findRating, item)[0]data.append(rating) # 添加评分judgeNum = re.findall(findJudge, item)[0]data.append(judgeNum) # 添加评价人数inq = re.findall(findInq, item)if len(inq) != 0:inq = inq[0].replace("。", "") # 去掉句号data.append(inq) # 添加概述else:data.append(' ') # 留空bd = re.findall(findBd, item)[0].replace("\xa0", "") # 去掉无关符号bd = re.sub('<br(\s+)?/>(\s+)?', " ", bd) # 去掉<br/>bd = re.sub('/', " ", bd) # 替换/data.append(bd.strip()) # 去掉前后的空格datalist.append(data) # 把处理好的一部电影信息放入datalist# print(datalist)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, likeGecko) Chrome / 103.0.0.0Safari / 537.36"} # 用户代理,表示告诉豆瓣服务器,我们是什么样机器,能接受什么样的信息request = urllib.request.Request(url, headers=head) # 封装好的请求对象html = ""try:response = urllib.request.urlopen(request)html = response.read().decode("utf-8")# print(html)except urllib.error.URLError as e:if hasattr(e, "code"):print(e.code)if hasattr(e, "reason"):print(e.reason)return html# 3.保存数据
def saveData(datalist, sava_path):print("save...")book = xlwt.Workbook(encoding="utf-8", style_compression=0) # 创建workbook对象sheet = book.add_sheet('豆瓣电影250', cell_overwrite_ok=True) # 创建工作表col = ("电影详情链接", "图片链接", "电影中文名", "电影外国名", "评分", "评分人数", "概述", "相关信息")for i in range(0, 8):sheet.write(0, i, col[i]) # 添加表的列名for j in range(0, 250): # 逐条写入print("第%d条" % j)data = datalist[j] # 每一个元素都是列表for k in range(0, 8):sheet.write(j+1, k, data[k])book.save(sava_path) # 保存if __name__ == "__main__":main()print("爬取完毕!")
二、requests
import requests
import re
import xlwtdef main():baseurl = "https://movie.douban.com/top250?start=" # 每一个网页的url都是有规律的# 1.爬取网页并逐个页面解析datalist = getData(baseurl)# 2.保存数据sava_path = "豆瓣电影2Top250.xls"saveData(datalist, sava_path)# 联合的正则匹配
# obj = re.compile(r'<span class="title">(?P<name>.*?)</span>', re.S) # 拿到了很多名字,都是一样的标签(太模糊了,所有这个标签的内容都拿了)
obj = re.compile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)'r'</span>.*?<p class="">.*?<br>(?P<year>.*?) .*?'r'<span class="rating_num" property="v:average">(?P<score>.*?)</span>.*?'r'<span>(?P<number>.*?)人评价</span>', re.S) # 层层向下,内容多一点匹配的越接近# 爬取网页
def getData(baseurl):datalist = [] # 储存250部的电影信息for i in range(0, 10): # 左闭右开,拿到250条所有页面url = baseurl + str(i * 25) # 字符串凭借可比带参数好多了# 获取到每一个html页面逐个解析html = ask(url)# 开始匹配传过来的网页源代码result = obj.finditer(html)# print(result) # 直接打印就是一个对象而已for it in result:# print(it.group("name"))# print(it.group("year").strip()) # <br>后面的空白页拿过来了,去掉一下# print(it.group("score"))# print(it.group("number"))# 把一部电影信息保存进列表data = []data.append(it.group("name"))data.append(it.group("year").strip())data.append(it.group("score"))data.append(it.group("number"))# print(data) # ok可以存一部电影的信息datalist.append(data) # 解析出一部电影之后保存# print(datalist) # 可以显示保存的电影信息return datalist# 给定一个url访问
def ask(url):head = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36"}resp = requests.get(url, headers=head)# print(resp.text) 能拿到由服务器加载的页面目标代码return resp.text # 返回一个网页源代码def saveData(datalist, sava_path):print("save...")book = xlwt.Workbook(encoding="utf-8", style_compression=0) # 创建workbook对象sheet = book.add_sheet('豆瓣电影250', cell_overwrite_ok=True) # 创建工作表(在同一个文件下,新建的工作表:不行!)col = ("电影名", "年份", "豆瓣评分", "评分人数")for i in range(0, 4):sheet.write(0, i, col[i]) # 添加表的列名for j in range(0, 250): # 逐条写入print("第%d条" % j)data = datalist[j] # 从列表中逐个电影拿出来,写入表格for k in range(0, 4):sheet.write(j + 1, k, data[k])book.save(sava_path) # 保存if __name__ == "__main__":main()print("爬取完毕!")
总结
- 两者没什么区别代码主要是多在数据处理、爬取页面和解析页面上
- 要注意数据是以什么样的形式返回的
- 保存到表格中不能再同一个路径(文件)下建立两张表格,只能一个文件一张表
python爬虫:requests和urllib爬豆瓣Top250相关推荐
- 近期爬虫学习体会以及爬豆瓣Top250源码实战
近期爬虫学习体会以及爬豆瓣Top250源码实战 我是在B站https://www.bilibili.com/video/BV12E411A7ZQ?p=25里学习的,至今已经可以手写爬豆瓣Top250代 ...
- 实例——Python爬虫requests网络图片的爬取和存储
百度搜索图片,获取一张图片URL import requestspath = "F:/abc.jpg" #图片存储在F盘,并命名为abc.url = "https://t ...
- Python爬虫菜鸟入门,爬取豆瓣top250电影 (自己学习,如有侵权,请联系我删除)
Python爬虫菜鸟入门,爬取豆瓣top250电影 (自己学习,如有侵权,请联系我删除) import requests from bs4 import BeautifulSoup import ti ...
- Python爬虫入门 | 7 分类爬取豆瓣电影,解决动态加载问题
比如我们今天的案例,豆瓣电影分类页面.根本没有什么翻页,需要点击"加载更多"新的电影信息,前面的黑科技瞬间被秒-- 又比如知乎关注的人列表页面: 我复制了其中两个人昵称 ...
- python爬虫(一)爬取豆瓣电影排名前50名电影的信息
python爬虫(一)爬取豆瓣电影排名前50名电影的信息 在Python爬虫中,我们可以使用beautifulsoup对网页进行解析. 我们可以使用它来爬取豆瓣电影排名前50名的电影的详细信息,例如排 ...
- python爬虫 requests+bs4爬取猫眼电影 傻瓜版教程
python爬虫 requests+bs4爬取猫眼电影 傻瓜版教程 前言 一丶整体思路 二丶遇到的问题 三丶分析URL 四丶解析页面 五丶写入文件 六丶完整代码 七丶最后 前言 大家好我是墨绿 头顶总 ...
- day19 学习python爬虫——requests和bs4
day19 学习python爬虫--requests和bs4 一.requests使用详解 import requests 1.发送请求 requests.get(请求地址) - 直接获取请求地址对应 ...
- python爬取图片教程-推荐|Python 爬虫系列教程一爬取批量百度图片
Python 爬虫系列教程一爬取批量百度图片https://blog.csdn.net/qq_40774175/article/details/81273198# -*- coding: utf-8 ...
- Python爬虫---requests模块的基本使用
Python爬虫-requests模块的基本使用 基础 什么是爬虫? 就是通过编写程序模拟浏览器上网,然后让其去互联网上爬取数据的过程. 爬虫的分类 通用爬虫 抓取互联网中的一整张页面数据 聚焦爬虫 ...
最新文章
- R-CenterNet:用CenterNet对旋转目标进行检测
- Android版网易云音乐唱片机唱片磁盘旋转及唱片机机械臂动画关键代码实现思路...
- oracle稳定执行计划1
- 深度学习与计算机视觉系列(4)_最优化与随机梯度下降\数据预处理,正则化与损失函数
- 二维数组中的查找---剑指Offer
- 使用绝对定位时浏览器大小改变排版会乱_HTML amp; CSS页面布局之定位
- 一元操作符——递增和递减操作符(第一次写博客,紧张.)
- 服务器对操作系统有什么要求,服务器对操作系统有什么要求
- 【原】Web Polygraph 安装
- poEdit制作WordPress主题汉化,插件汉化攻略
- excel打不开html格式的文件,excel文件打不开提示格式无效怎么解决【图文】
- 网站死链接检测工具 Xenu 汉化版
- 新浪短网址t.cn如何生成
- 华为社招机试卷经验总结
- 数据结构实验:城市交通咨询模拟系统
- 基于Lumerical FDTD的等离子体光子晶体分析
- 微信小程序使用towxml解析md/html
- 智能振弦传感器的读取工具振弦采集仪
- Android开发EditText属性
- oracle 英文转数字,数字转换成英文