這篇文章給大家介紹如何正確的使用python爬蟲(chóng)，內(nèi)容非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對(duì)大家能有所幫助。
爬蟲(chóng)的定義：定向抓取互聯(lián)網(wǎng)內(nèi)容（大部分為網(wǎng)頁(yè)）、并進(jìn)行自動(dòng)化數(shù)據(jù)處理的程序。主要用于對(duì)松散的海量信息進(jìn)行收集和結(jié)構(gòu)化處理，為數(shù)據(jù)分析和挖掘提供原材料。
今日t條就是一只巨大的“爬蟲(chóng)”。
爬蟲(chóng)由URL庫(kù)、采集器、解析器組成。
如果待爬取的url庫(kù)不為空，采集器會(huì)自動(dòng)爬取相關(guān)內(nèi)容，并將結(jié)果給到解析器，解析器提取目標(biāo)內(nèi)容后進(jìn)行寫(xiě)入文件或入庫(kù)等操作。
第一步：寫(xiě)一個(gè)采集器
如下是一個(gè)比較簡(jiǎn)單的采集器函數(shù)。需要用到requests庫(kù)。
首先，構(gòu)造一個(gè)http的header，里面有瀏覽器和操作系統(tǒng)等信息。如果沒(méi)有這個(gè)偽造的header，可能會(huì)被目標(biāo)網(wǎng)站的WAF等防護(hù)設(shè)備識(shí)別為機(jī)器代碼并干掉。
然后，用requests庫(kù)的get方法獲取url內(nèi)容。如果http響應(yīng)代碼是200 ok，說(shuō)明頁(yè)面訪問(wèn)正常，將該函數(shù)返回值設(shè)置為文本形式的html代碼內(nèi)容。
如果響應(yīng)代碼不是200 ok，說(shuō)明頁(yè)面不能正常訪問(wèn)，將函數(shù)返回值設(shè)置為特殊字符串或代碼。
重慶分公司
重慶分公司
import requests
def get_page(url):
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'}
response = requests.get(url, headers= headers)
if response.status_code == 200:
return response.text
else:
return 'GET HTML ERROR !'第二步：解析器
解析器的作用是對(duì)采集器返回的html代碼進(jìn)行過(guò)濾篩選，提取需要的內(nèi)容。
作為一個(gè)14年忠實(shí)用戶(hù)，當(dāng)然要用豆瓣舉個(gè)栗子 _
我們計(jì)劃爬取豆瓣排名TOP250電影的8個(gè)參數(shù)：排名、電影url鏈接、電影名稱(chēng)、導(dǎo)演、上映年份、國(guó)家、影片類(lèi)型、評(píng)分。整理成字典并寫(xiě)入文本文件。
待爬取的頁(yè)面如下，每個(gè)頁(yè)面包括25部電影，共計(jì)10個(gè)頁(yè)面。
在這里，必須要表?yè)P(yáng)豆瓣的前端工程師們，html標(biāo)簽排版非常工整具有層次，非常便于信息提取。
下面是“肖申克的救贖”所對(duì)應(yīng)的html代碼：（需要提取的8個(gè)參數(shù)用紅線(xiàn)標(biāo)注）
根據(jù)上面的html編寫(xiě)解析器函數(shù)，提取8個(gè)字段。該函數(shù)返回值是一個(gè)可迭代的序列。
我個(gè)人喜歡用re（正則表達(dá)式）提取內(nèi)容。8個(gè)（.*?）分別對(duì)應(yīng)需要提取的字段。
import re
def parse_page(html):
pattern = re.compile('(.*?).*?.*?(.*?).*?.*?(.*?) .*?
(.*?) / (.*?) / (.*?).*?(.*?)' , re.S)
items = re.findall(pattern , html)
for item in items:
yield {
'rank': item[0],
'href': item[1],
'name': item[2],
'director': item[3].strip()[4:],
'year': item[4].strip(),
'country': item[5].strip(),
'style': item[6].strip(),
'score': item[7].strip()
} 提取后的內(nèi)容如下：
整理成完整的代碼：（暫不考慮容錯(cuò)）
import requests
import re
import json
def get_page(url):
#采集器函數(shù)
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'}
response = requests.get(url, headers= headers)
if response.status_code == 200:
return response.text
else:
return 'GET HTML ERROR ! '
def parse_page(html):
#解析器函數(shù)
pattern = re.compile('(.*?).*?.*?(.*?).*?.*?(.*?) .*?
(.*?) / (.*?) / (.*?).*?(.*?)' , re.S)
items = re.findall(pattern , html)
for item in items:
yield {
'rank': item[0],
'href': item[1],
'name': item[2],
'director': item[3].strip()[4:],
'year': item[4].strip(),
'country': item[5].strip(),
'style': item[6].strip(),
'score': item[7].strip()
}
def write_to_file(content):
#寫(xiě)入文件函數(shù)
with open('result.txt' , 'a' , encoding = 'utf-8') as file:
file.write(json.dumps(content , ensure_ascii = False) + '\n')
if __name__== "__main__":
# 主程序
for i in range(10):
url= 'https://movie.douban.com/top250?start='+ str(i*25)+ '&filter'
for res in parse_page(get_page(url)):
write_to_file(res) 非常簡(jiǎn)潔，非常符合python簡(jiǎn)單、高效的特點(diǎn)。
說(shuō)明：
需要掌握待爬取url的規(guī)律，才能利用for循環(huán)等操作自動(dòng)化處理。
前25部影片的url是https://movie.douban.com/top250?start=0&filter，第26-50部影片url是https://movie.douban.com/top250?start=25&filter。規(guī)律就在start參數(shù)，將start依次設(shè)置為0、25、50、75。。。225，就能獲取所有頁(yè)面的鏈接。parse_page函數(shù)的返回值是一個(gè)可迭代序列，可以理解為字典的集合。運(yùn)行完成后，會(huì)在程序同目錄生成result.txt文件。內(nèi)容如下：
關(guān)于如何正確的使用python爬蟲(chóng)就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。
