python爬虫教程(一)
文章图片
????Python版本:python3.6
????使用工具:pycharm
一、第一个爬虫程序
????获得网址源代码。如下图获取百度页面源代码。
文章图片
文章图片
???????????????
文章图片
二、Web请求过程
????1. 服务器渲染:在服务器中直接把数据和html整合在一起,返回给浏览器。(在页面源代码中能看到数据)
????2. 客户端渲染:第一次请求只要一个html骨架,第二次请求拿到数据,进行数据展示。(在页面源代码中,看不到数据)
三、requests入门
????1. 获取搜狗引擎搜索周杰伦页面源代码。
??????
文章图片
文章图片
????2. 出现报错,网页存在反爬,处理反扒。
文章图片
文章图片
【python爬虫教程(一)】
文章图片
????3. 修改代码,使其更加灵活获取不同搜索内容对应不同页面源代码。
文章图片
文章图片
文章图片
????4.当请求方式为POST时,以百度翻译为例获取页面源代码。
????
文章图片
文章图片
????5. 当想要爬取数据与网页框架不在一起时。以豆瓣电影排行榜为例。需先找到所需爬取数据位置。
文章图片
????将其参数变量进行封装,补充网址参数,其参数信息位置及代码如下:
文章图片
文章图片
文章图片
????注意:使用完爬虫程序后,关闭爬虫程序。
????如上示例需使用resp.close()关闭爬虫程序。
四、数据解析
????本文中将介绍三种解析方式:re解析、bs4解析、xpath解析。
????1、re解析:Regular Expression,正则表达式,一种使用表达式的方式对字符串进行匹配的语法规则。
????优点:速度快、效率高、准确性高
????缺点:上手难度较高
????语法:使用元字符进行排列组合用来匹配字符串(元字符是具有固定含义的特殊符号),常用元字符:
????. 匹配除换行符以外的任意字符 ?? a|b 匹配字符a或b
????\w 匹配字母或数字或下划线 ?????\W 匹配非字母或数字或下划线
????\s 匹配任意空白符 ??????????????\S 匹配非空白符
????\d 匹配数字 ??????????????????? \D 匹配非数字
????[…] 匹配字符组中的字符 ?????????[^…] 匹配除字符组中的所有字符
????^ 匹配字符串的开始 ???????????? $ 匹配字符串的结束
????量词:控制元字符出现的次数
????* 重复零次或多次
????+ 重复一次或多次
????? 重复零次或一次
????{n} 重复n次
????{n,} 重复n次或更多次
????{n,m} 重复n到m次
????(1)re模块使用,findall() 匹配字符串中所有的符合正则的内容
文章图片
文章图片
????(2)finditer()匹配字符串中所有的内容,返回迭代器
文章图片
文章图片
????从迭代器中拿出内容需要.group()
文章图片
文章图片
????(3)search,找到一个结果就返回,返回的结果是match对象,拿数据需使用.group()
文章图片
文章图片
????(4)match,从头开始匹配
文章图片
文章图片
????当选取数据开始即为所需数据时,可输出结果。
??????
文章图片
文章图片
????(5)预加载正则表达式,可重复使用
?
文章图片
文章图片
????(6)正则中内容单独提取。我们将想要提取内容部分定义组(?P<分组名字>正则),然后使用.group()提取某个组的内容。(re.S:让.能够匹配换行符)
文章图片
文章图片
????2. 实战爬取豆瓣Top250电影信息。
????(1)使用requests,拿到页面源代码。
文章图片
文章图片
????(2)使用re,解析数据
文章图片
????设定爬取以上四个数据,电影名字、年份、评分、评价人数,在页面源代码中找到所需内容位置(红色框),并找到内容定位方法及位置(白色框)
文章图片
????解析数据:其中.strip()去掉年份前面空格。
文章图片
文章图片
????将获取到文件保存为文件。导入csv,将内容存入字典,同理year需单独处理。
文章图片
????输出文件data.csv内容
????????????
文章图片
????3. 实战爬取电影天堂下载链接,目标爬取2021必看热片信息。
文章图片
????(1)获取页面源代码
????????????
文章图片
文章图片
如上输出结果中存在乱码问题,我们默认使用的字符集为utf-8,可看到其网站的字符集为gb2312,需要指定使用字符集解决乱码问题。
??????????
文章图片
文章图片
????(2)定位到2021必看热片,在页面源代码中找到所需位置。
文章图片
文章图片
文章图片
????(3)从2021必看热片中提取到子页面的链接地址
文章图片
????
文章图片
文章图片
????得到的子页面链接不完整,缺少域名,需要进行一个链接的拼接。
文章图片
文章图片
????得到了完整的子页面链接,将子页面链接保存起来。
文章图片
????提取子页面内容,输出得到片名及下载链接。
文章图片
文章图片
推荐阅读
- 2.6|2.6 Photoshop操作步骤的撤消和重做 [Ps教程]
- python学习之|python学习之 实现QQ自动发送消息
- 逻辑回归的理解与python示例
- python自定义封装带颜色的logging模块
- 【Leetcode/Python】001-Two|【Leetcode/Python】001-Two Sum
- 漫画初学者如何学习漫画背景的透视画法(这篇教程请收藏好了!)
- Python基础|Python基础 - 练习1
- Python爬虫|Python爬虫 --- 1.4 正则表达式(re库)
- Python(pathlib模块)
- python青少年编程比赛_第十一届蓝桥杯大赛青少年创意编程组比赛细则