爬虫基础入门— — Python

女爷i 2024-03-25 14:10 28阅读 0赞

## 爬虫基础入门 ##

### 1 概念 ###

> 所谓爬虫其实就是我们通过代码向服务器发起请求，然后解析服务器响应给我们的数据。例如：将服务器响应给我们的html数据，解析出来，获取豆瓣评分前250的电影名字。

### 2 实战 ###

> 此处通过python演示。  
> 首先：安装python。  
> 官网地址：https://www.python.org/

1.  在终端执行以下命令，安装请求包

# pip 是 Python 中的标准库管理器
    pip install requests

1.  安装bs4（Beatiful Soup）

> 使用Beatiful Soup解析html内容

pip install bs4

1.  代码编写

>  *  引入requests包
>  *  在请求服务器时带上headers，否则有些服务器会做反爬虫限制，如果我们的headers中没有伪装的浏览器信息，有些服务器是拒绝访问会报415
>  *  headers中是键值对K-V形式， 我们可以抓包直接从浏览器真正的请求中获取一个headers

![在这里插入图片描述][683e89271ad444e582500ff02d926615.png]

*  尝试请求豆瓣服务器，查看返回的html

import requests
    headers = {
        
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36 Edg/110.0.1587.69"
    }
    response = requests.get("https://movie.douban.com/top250", headers=headers)
    print(response.text)

![在这里插入图片描述][14c660c80d8749169d6cfaa5d5757357.png]

*  对获取的html进行解析

> 我们可以发现电影名字是在span标签下，且class为title

![在这里插入图片描述][75de7a3fb953481d8c26544054db56f4.png]

*  通过bs4获取标签元素

import requests
    from bs4 import BeautifulSoup
    headers = {
        
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36 Edg/110.0.1587.69"
    }
    response = requests.get("https://movie.douban.com/top250", headers=headers)
    html = response.text
    soup = BeautifulSoup(html, "html.parser")
    all_titles = soup.findAll("span", attrs={
        "class":"title"})
    print(all_titles)

![在这里插入图片描述][39724d4e21744308824af802d193496e.png]

> 此时我们发现解析出的数据带有html的标签，显然不符合我们的预期，我们只想要请求到电影名字，此时可以通过title.string方法实现，同时返回的数据是一个列表，因此我们需要遍历列表

![在这里插入图片描述][7e9e0136abda406ba53263487c4af552.png]

> 此时可以看到，返回的数据中不仅有中文名还有英文名字，那么我们只想要获取中文名字该怎么做呢？
> 
>  *  只需要通过if判断`/`即可，因为可以看到每个英文标题前都有一个`/`

for title in all_titles:
        title_string = title.string
        if "/" not in title_string:
            print(title_string)

![在这里插入图片描述][b96af2ca7f134d85a43282385f833362.png]

*  现在已经可以返回正常的数据了，但是只有25条数据，因为我们服务器通常会做分页，所以我们需要循环访问，同时，在url上动态拼接起始页码

# 由于豆瓣进行了分页，因此我们需要循环请求
    for start_num in range(0, 250, 25):
        # 向豆瓣的服务器发起请求（请求获取评分前250的）
        # f 是format字符串，用{start_num}格式化占位
        response = requests.get(f"https://movie.douban.com/top250?start={
          start_num}", headers=headers)
        html = response.text
        # 构造html解析器
        soup = BeautifulSoup(html, "html.parser")
        all_titles = soup.findAll("span", attrs={
        "class":"title"})
        for title in all_titles:
            title_string = title.string
            if "/" not in title_string:
                print(title_string)

全部代码：

import requests
    from bs4 import BeautifulSoup
    # 伪造请求头
    headers = {
        
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36 Edg/110.0.1587.69"
    }
    # 由于豆瓣进行了分页，因此我们需要循环请求
    for start_num in range(0, 250, 25):
        # 向豆瓣的服务器发起请求（请求获取评分前250的）
        response = requests.get(f"https://movie.douban.com/top250?start={
          start_num}", headers=headers)
        html = response.text
        # 构造html解析器
        soup = BeautifulSoup(html, "html.parser")
        all_titles = soup.findAll("span", attrs={
        "class":"title"})
        for title in all_titles:
            title_string = title.string
            if "/" not in title_string:
                print(title_string)

运行脚本，查看结果：  
![在这里插入图片描述][f115daa797374bf592f08ca8166129e7.png]  
`总结`：

> 网络爬虫不仅要对html结构了解，而且要对浏览器请求等很熟悉。同时注意：切勿爬取违法或机密数据，本教程仅用于教学，如有违法行为，后果自负。

[683e89271ad444e582500ff02d926615.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/468e7b39f7684b6a8085e18012baadff.png
[14c660c80d8749169d6cfaa5d5757357.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/b58844643fed4f2f96813a4845281f7b.png
[75de7a3fb953481d8c26544054db56f4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/4a9ad0c96fe84a918c6d8d23c46688dd.png
[39724d4e21744308824af802d193496e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/f63f7d9adf574c2bbdd0951111454187.png
[7e9e0136abda406ba53263487c4af552.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/6c9a70e791414b3281b25bbac39fda95.png
[b96af2ca7f134d85a43282385f833362.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/ac9c239ad5bc4637a28ab98a3fdadd08.png
[f115daa797374bf592f08ca8166129e7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/96ac48ed17774e619a08aab2cf3e08db.png