基础小白，大佬轻点喷~
一、基础豆瓣爬虫
1、首先在某站上听讲解，简单建立起了对爬虫的基础框架，具体包括五个板块（当然 有些东西看个人 可写成函数 也可以直接写 但重复用到的东西建议写函数）
用到了下面五个库：
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 import sqlite3 ##进行SQLite数据库操作
然后在主函数写爬取网页的步骤（在脑海有个框架）
def main():
baseurl = "https://movie.douban.com/top250?start="
# 1.爬取网页
datalist = getData(baseurl)
savepath = "豆瓣电影Top250.xls" ##./和不写就是当前文件夹 .\就是文件系统
dbpath = "movie.db"
# 3.保存数据
saveData(datalist,savepath)
# savaData2DB(datalist,dbpath)
#askURL("https://movie.douban.com/top250?start=")
保存路径有两个方式，一个是保存到Excel，另一个是保存到MySql（数据量小可选择前者 量大则选择后者）
2、然后写爬取网页的函数，注意观察豆瓣页面，一共10页，每页25个电影。https://movie.douban.com/top250?start=（具体数字） 0就是第一页 ,以此类推
故可用循环写入列表中
def getData(baseurl):
datalist = []
for i in range(0,10): ##调用获取页面信息的函数 10次
url = baseurl +str(i*25)
html = askURL(url) ##保存获取到的网页源码
通过BeautifulSoup 解析网页，获取数据
soup = BeautifulSoup(html,"html.parser")
for item in soup.find_all('div',class_="item"): ##查找符合要求的字符串,行程列表
#print(item) ##测试查看电影item 全部信息
data = [] ##保存一部电影的所有信息
item = str(item)
3、模拟浏览器头部信息，向豆瓣服务器发送消息，用户代理表示告诉豆瓣服务器，我们是什么类型的机器 浏览器（本质上是告诉浏览器，我们可以接受什么水平的文件内容）可以去主函数测试一下askURL,看是否成功模拟浏览器
def askURL(url):
head = { "User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 94.0.4606.61Safari / 537.36Edg / 94.0.992.31"}
request = urllib.request.Request(url,headers=head)
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) ##看错误信息
if hasattr(e,"reason"):
print(e.reason) ##看错误信息产生的原因
return html
可以去主函数测试一下askURL,看是否成功模拟浏览器
4、保存数据
1）保存到Excel
def saveData(datalist,savepath):
book = xlwt.Workbook(encoding="utf-8",style_compression=0) ##创建workbook对象
sheet = book.add_sheet('豆瓣电影Top250',cell_overwrite_ok=True) #cell_overwrite_ok=True每一个单元往里面输入的时候直接覆盖掉里面的内容
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+1))
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #数据
book.save(savepath) #保存
2）保存到MySql
# def init_db(dbpath): # ##autoincrement 是一个关键字，用于表中的字段值自动递增 # ##text表示文本格式 后面加的就是跟的格式 # sql = ''' # create table movie250 # ( # id integer primary key autoincrement , # info_link text, # pic_link text, # cname varchar, # ename varchar, # score numeric, # rated numeric, # instroduction text, # info text # ) # # # ''' #创建数据库 # conn = sqlite3.connect(dbpath) # cursor = conn.cursor() # cursor.execute(sql) # conn.commit() # conn.close()
# def savaData2DB(datalist,dbpath): # init_db(dbpath) # conn = sqlite3.connect(dbpath) # cur = conn.cursor() # # for data in datalist: # for index in range(len(data)): # if index == 4 or index == 5: # continue # data[index] = '"'+data[index]+'"' # sql = ''' # insert into movie250( # info_link,pic_link,cname,ename,score,rated,instroduction,info) # values(%s)'''%",".join(data) # print(sql) # cur.execute(sql) # conn.commit() # cur.close() # conn.close()
5、当然最后也别忘记调用主函数
if __name__ =="__main__": ##当程序执行时
##调用函数
main()
#init_db("movietest.db") ##测试movietest.db是否生成
print("爬虫完毕！")
6、以上完整操作知识获取到了这个页面，但是并没有说明我想找到什么，所以我们还需要去主函数添加你想得到的东西，运用re库中的compile(findall也是可以的)
##影片详情链接的规则 findlink = re.compile(r'') ##re.compile()创建正则表达式对象，表示规则（字符串的模式） ##影片图片的链接 findImgSrc = re.compile(r'(.*)') ##影片的评分 findRating= re.compile(r'(.*)') #找到评价人数 findJudge = re.compile(r'(d*)人评价') #找到概况 findInq = re.compile(r'(.*)') #找到影片的相关内容 findBd = re.compile(r'(.*?)
',re.S)
7、getData中也需要在for循环下去逐一解析数据，最后全部添加到一个列表中
# 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,行程列表
#print(item) ##测试查看电影item 全部信息
data = [] ##保存一部电影的所有信息
item = str(item)
##影片详情的链接
link = re.findall(findlink,item)[0] ##re库用来通过正则表达式查找指定的字符串
data.append(link) ##添加链接
imgSrc = re.findall(findImgSrc,item)[0]
data.append(imgSrc) ##添加图片
titles = re.findall(findTitle,item) ##片名可能只有一个中文名，没有外国名
if len(titles) == 2:
ctitle = titles[0] ##添加中文名
data.append(ctitle)
otitle = titles[1].replace("/","") ##去掉无关的符号
data.append(otitle) ##添加外国名
else:
data.append(titles[0])
data.append(' ') ##给没有外国名的影片留空，保持对应
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] #找到影片的相关内容
bd = re.sub('
bd = re.sub('/'," ",bd) #替换/
data.append(bd.strip()) ##去掉前后空格
datalist.append(data) ##把处理好的一部电影信息放入datalist
#print(datalist) ##打印全部代码的信息
return datalist
二、东方财富网爬取名称与数据
爬取名称，相当于就是在页面表面的东西，直接可以通过re库中的compile找到要爬取的名称
findTitle = re.compile(r'(.*?)')
其他都可参照一中的豆瓣爬虫写，比一更简单
下图呈现构造模拟浏览器参数
爬取数据比爬取名称复杂一点，最重要的是找到如下展示的这些元素：
params = {
'cb': 'jQuery112302973922664351607_1634440511064',
'lmt': '0',
'klt': '101',
'fields1': 'f1,f2,f3,f7',
'fields2': 'f51,f52,f53,f54,f55,f56,f57,f58,f59,f60,f61,f62,f63,f64,f65',
'ut': 'b2884a393a59ad64002292a3e90d46a5',
'secid': '0.000005',
'_': '1634440511065'
}
具体情况需要具体分析，可以去网页页面右击检查里的网络里去找，有很多get?cb=……，要具体去看需要的是什么，再爬。
爬下来后注意看数据的形式，很多数据都是不规整的，需要通过strip(),join()或者split()去调节成可以用的数据，对于东方财富网这种数据量大的，建议直接保存到啊MySql。下图为展示
最后一些小技巧帮友友们避个雷
1、在cmd输入ipconfig/flushdns，重置IP，适用于被禁IP的友友~
2、正则表达式中的(.*)和(.*?)，前者适用于查找全部数据放在一个框下架的，取全部，若用后者取，只能取到全部中的一个参数；后者适用于固定格式但不是直接相连的数据。（具体情况具体分析哦~）
3、用navicat可下载一个phpstdudy,启动一三即可，连接数据库即可用~
4、数据库若报错pymysql.err.InterfaceError: (0, '')，只需要加上一行conn.ping(reconnect=True)，重新连接到数据库即可~
若有错误的地方，尽请大佬指教~ ...>.<...
