介绍python爬取网页

3SL少儿编程网-https://www.pxcodes.com

之前在网上也写了不少关于爬虫爬取网页的代码，**近还是想把写的爬虫记录一下，方便大家使用吧！3SL少儿编程网-https://www.pxcodes.com

代码一共分为4部分：3SL少儿编程网-https://www.pxcodes.com

第一部分：找一个网站。3SL少儿编程网-https://www.pxcodes.com

我这里还是找了一个比较简单的网站，就是大家都知道的https://movie.douban.com/top250?start= 大家可以登录里面看一下。

这里大家可能会有一些库没有进行安装，先上图让大家安装完爬取网页所需要的库，其中我本次用到的库有：bs4，urllib，xlwt, re。3SL少儿编程网-https://www.pxcodes.com

（免费学习推荐：python视频教程）3SL少儿编程网-https://www.pxcodes.com

如图3SL少儿编程网-https://www.pxcodes.com

这里选择file-setting-Project-然后选择左下角的加号，自行去安装自己所需要的文件就可以了。3SL少儿编程网-https://www.pxcodes.com

下面的代码是爬取网页的源代码：3SL少儿编程网-https://www.pxcodes.com

import urllib.requestfrom bs4 import BeautifulSoupimport xlwtimport redef main(): # 爬取网页 baseurl = 'https://movie.douban.com/top250?start=' datalist = getData(baseurl) savepath = '豆瓣电影Top250.xls' # 保存数据 saveData(datalist,savepath) # askURL("https://movie.douban.com/top250?start=1")#影片详情的规则findLink = re.compile(r'<a class="" href="(.*?)">') #创建从正则表达式，表示规则findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) #让换行符匹配到字符中#影片的片名finTitle = re.compile(r'<span class="title">(.*)</span>')#影片的评分findReating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')#找到评价人数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findBb = re.compile(r'<p class="">(.*?)</p>', re.S)#re.S忽视换行符

第二部分：爬取网页。3SL少儿编程网-https://www.pxcodes.com

def getData(baseurl): datalist = [] for i in range(0, 10): url = baseurl + str(i*25) html = askURL(url) #保存获取到的网页源码 #对网页进行解析 soup = BeautifulSoup(html, 'html.parser') for item in soup.find_all('p', class_="item"): #查找符合要求的字符串 形成列表 #print(item) #测试查看电影信息 data = [] item = str(item) link = re.findall(findLink, item)[0] #re库用来查找指定的字符串 data.append(link) imgSrc = re.findall(findImgSrc, item)[0] data.append(imgSrc) #添加图片 titles = re.findall(finTitle, item) # if (len(titles) == 2): ctitle = titles[0] #添加中文名 data.append(ctitle) otitle = titles[1].replace("/", "") #replace("/", "")去掉无关的符号 data.append(otitle) #添加英文名 else: data.append(titles[0]) data.append(' ')#外国名字留空 rating = re.findall(findReating, item)[0] #添加评分 data.append(rating) judgeNum = re.findall(findJudge,item) #评价人数 data.append(judgeNum) inq = re.findall(findInq, item) #添加概述 if len(inq) != 0: inq = inq[0].replace(".", "") #去掉句号 data.append(inq) else: data.append(" ") #留空 bd = re.findall(findBb,item)[0] bd = re.sub('<br(s+)?/>(s+)?',' ', bd) #去掉br 后面这个bd表示对bd进行操作 bd = re.sub('/', ' ', bd) #替换/ data.append(bd.strip()) #去掉前后的空格strip() datalist.append(data) #把处理好的一部电影放入datalist当中 return datalist

第三部分：得到一个指定的url信息。3SL少儿编程网-https://www.pxcodes.com

#得到指定的一个url网页信息def askURL(url): head = { "User-Agent": "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Mobile Safari/537.36"} request = urllib.request.Request(url,headers=head) # get请求不需要其他的的，而post请求需要 一个method方法 html = "" try: response = urllib.request.urlopen(request) html = response.read().decode('utf-8') # print(html) except Exception as e: if hasattr(e,'code'): print(e.code) if hasattr(e,'reason'): print(e.reason) return html

第四部分：保存数据3SL少儿编程网-https://www.pxcodes.com

# 3:保存数据def saveData(datalist,savepath): book = xlwt.Workbook(encoding="utf-8", style_compression=0) sheet = book.add_sheet('豆瓣电影Top250', cell_overwrite_ok=True) col = ('电影详情链接', '图片链接', '影片中文名', '影片外国名', '评分', '评价数', '概况', '相关信息') for i in range(0,8): sheet.write(0,i,col[i]) #列名 for i in range(0,250): print("第%d条"%i) data = datalist[i] for j in range(0,8): sheet.write(i+1,j,data[j]) book.save(savepath) #保存

这里大家看一下代码，关于代码的标注我写的还是挺清楚的。3SL少儿编程网-https://www.pxcodes.com

其中关于学习这个爬虫，还需要学习一些基本的正则表达式，当然python基本的语法是不可少的希望对大家有帮助吧。3SL少儿编程网-https://www.pxcodes.com

相关免费学习推荐：python教程（视频）

以上就是介绍python爬取网页的详细内容，更多请关注少儿编程网其它相关文章！3SL少儿编程网-https://www.pxcodes.com