用Python写爬虫入门篇（三）

港控/mmm° 2022-04-12 21:13 229阅读 0赞

#### 简介 ####

最近在学习python，这几篇博文用于个人记录总结，不正之处还望大佬指出。（适合学习过python的同学）  
[用Python写爬虫入门篇（一）][Python]  
[用Python写爬虫入门篇（二）][Python 1]  
[用Python写爬虫入门篇（三）][Python 2]

#### 我的运行环境 ####

系统版本：Windows10  
Python版本：Python3.7  
IDE：IDEA(因为平时主要用JAVA就没安PyCharm了)  
（安装适合自己的环境即可）

#### 动态网页问题 ####

当我们查看源码写爬虫时，有时会发现我们网页中的数据有的并不在源代码中（点击“查看网页源代码（V）”找不到相应元素），为什么呢，因为那是动态网页。和静态网页不同，动态网页显示的内容可以随着时间、环境或者数据库操作的结果而发生改变。那么如何爬取动态网页呢。需要用到今天的新技能：  
**浏览器（Chrome+Chromedriver）+Selenium+Python**

##### 技能介绍 #####

浏览器：其实主流浏览器（只要有相应driver）都能完成我们的任务（模拟正常访问），因为小编用的Chrome，所以以下面的教程就用Chrome写了，需要下载Chrome浏览器和 相应版本的driver([下载地址][Link 1])  
Selenium:它是一个自动化测试工具。它支持各种浏览器，包括 Chrome，Safari，Firefox 等主流界面式浏览器，可用Python驱动执行模拟正常的访问行为，我们需要安装 Python 的 Selenium 库（pip install selenium），用Selenium可执行页面交互，填充表单，Cookies处理，元素选取等一系列功能，具体功能请查看官网[Selenium with Python][]。  
**原理**：用浏览器解析动态网页，再从相应网页提取有用数据。

#### 爬取思路 ####

1.  确定爬取地址与目标数据
2.  用（Chrome+Chromedriver）+Selenium模拟正常访问
3.  用BeautifulSoup工具分析页面
4.  最后将数据存入相应文件夹

#### 爬取实例： ####

接下来让我们来爬一爬好看的电影吧 ：  
[https://movie.douban.com/tag/\#/?sort=S&range=0,10&tags=电影][https_movie.douban.com_tag_sort_S_range_0_10_tags]  
以上述URL为例，在此网页，右键点击“查看源代码（V）”  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIyMTM2NDM5_size_16_color_FFFFFF_t_70]  
我们再其中查找电影“霸王别姬”元素，可是查找不到，这时我们怎么查找此元素呢![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIyMTM2NDM5_size_16_color_FFFFFF_t_70 1]  
在原网页，右键点击“**检查（N）**”,然后按下（**CTRL+F**）在检查中查找我们想要的元素，这时就可以查找了（例如：霸王别姬）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIyMTM2NDM5_size_16_color_FFFFFF_t_70 2]  
找到动态网页中我们的目标后，我们再来找到我们想要爬取的内容（电影海报，电影名，评分）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIyMTM2NDM5_size_16_color_FFFFFF_t_70 3]  
由上图我们可知，所有的电影内容都包含在class="item"的<a>标签中，电影海报在<a>标签中的<span>的src属性中，电影名则在alt属性中，而评分在另一个<span>标签中故我们可以写出如下关键代码：

all_a = BeautifulSoup(driver.page_source,"lxml").find_all("a",class_="item")
        for a in all_a:
            movie_name = a.img["alt"]#电影名称
            movie_img_url = a.img["src"]#电影图片地址
            movie_score = a.find("span",class_="rate").string#电影评分

（更多BeautifulSoup包用法请查看 [Beautiful Soup 4.4.0 文档][Beautiful Soup 4.4.0]）  
找到元素了，那么我们怎么实现加载更多呢？对的，没错，用Selenium模拟我们的行为，  
我们用刚学会的"检查"方法查找页面的“加载更多”按键，如图：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIyMTM2NDM5_size_16_color_FFFFFF_t_70 4]同样，以下是关键代码

webelement_a = driver.find_element_by_id(id_="app").find_element_by_xpath("div/div/a")# selenium查找元素和XPath路径
        webelement_a.click()

(find\_element\_by\_id和find\_element\_by\_xpath只是众多查找方式中的两种，具体请查看官网[Selenium with Python][])

#### 详细代码如下 ####

（其它的就不过多解释了，也有相应注释）

from selenium import webdriver
    from bs4 import BeautifulSoup
    import requests
    import os
    import time
    
    class MoviesCover():
    
            def __init__(self):
                self.web_url = "https://movie.douban.com/tag/#/?sort=S&range=0,10&tags=%E7%94%B5%E5%BD%B1"#目标网页
                self.folder_path ="D:\IMGFile" #存储数据的本地地址，改成自己的地址
    
            def save_img(self,url,file_name):
                img = self.request(url)
                print('开始保存图片')
                f = open(file_name,"ab")
                f.write(img.content)
                print('图片保存成功！')
                f.close()
    
            def scroll_down(self, driver, times):
                for i in range(times):
                    print("第", str(i + 1), "次等待网页加载......")
                    time.sleep(5) #根据网速决定时间,当前为5s,网速慢则等待时间长
                    print("开始执行第", str(i + 1),"次加载操作")
                    webelement_a = driver.find_element_by_id(id_="app").find_element_by_xpath("div/div/a")# selenium查找元素和XPath路径
                    webelement_a.click()#找到对应按扭后用模拟浏览器点击它，以实现翻页（其它众多功能请查看官网）
                    print("第", str(i + 1), "次下拉操作执行完毕")
    
            def mkdir(self,path):
                path = path.strip()
                isExists = os.path.exists(path)
                if not isExists:
                    print('创建名字叫做', path, '的文件夹')
                    os.makedirs(path)
                    print('创建成功！')
                    return True
                else:
                    print(path, '文件夹已经存在了，不再创建')
                    return False
    
            def request(self,url):
                r = requests.get(url)
                return r
    
            def get_files(self,path):
                pic_names = os.listdir(path)
                return pic_names
    
            def crawler(self):
                print("start!")
                driver = webdriver.Chrome("D:\Program Files\Python37\Tools\ChromeDriver\chromedriver.exe") #Chrome浏览器的本地驱动地址，也可以把该地址加到环境变量，改成自己的地址
                driver.get(self.web_url)
                self.mkdir(self.folder_path)  # 创建文件夹
                print('开始切换文件夹')
                os.chdir(self.folder_path)  # 切换路径至上面创建的文件夹
                self.scroll_down(driver=driver, times=10)#times是向后翻页的次数
                file_names = self.get_files(self.folder_path)
                all_a = BeautifulSoup(driver.page_source,"lxml").find_all("a",class_="item")
                for a in all_a:
                    movie_name = a.img["alt"]#电影名称
                    print(movie_name)
                    movie_img_url = a.img["src"]#电影图片地址
                    print(movie_img_url)
                    movie_score = a.find("span",class_="rate").string#电影评分
                    print(movie_score)
                    movie_filename = movie_name + "_score_" + movie_score + ".jpg"
                    movie_filename = movie_filename.replace(" ","_") #替换名称中的特殊字符为"_"，不然有些不规范的名称会让程序报错
                    movie_filename = movie_filename.replace("/","_")
                    movie_filename = movie_filename.replace('"',"_")
                    if movie_name in file_names:
                        print('电影已经存在，不再重新下载')
                    else:
                        self.save_img(movie_img_url, movie_filename)
    
    movies_cover = MoviesCover()
    movies_cover.crawler()#执行

#### 爬取结果 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIyMTM2NDM5_size_16_color_FFFFFF_t_70 5]  
恭喜！这几篇文章看完后，你就可以自己写写小爬虫了，后续还要多看看官方文档才是，那就先这样吧，Bye~

[Python]: https://blog.csdn.net/qq_22136439/article/details/84559923
[Python 1]: https://blog.csdn.net/qq_22136439/article/details/84561866
[Python 2]: https://blog.csdn.net/qq_22136439/article/details/84583353
[Link 1]: http://chromedriver.storage.googleapis.com/index.html
[Selenium with Python]: https://selenium-python.readthedocs.io/index.html
[https_movie.douban.com_tag_sort_S_range_0_10_tags]: https://movie.douban.com/tag/#/?sort=S&range=0,10&tags=%E7%94%B5%E5%BD%B1
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIyMTM2NDM5_size_16_color_FFFFFF_t_70]: /images/20220413/703486f94efc4b8095506e8a19c3865b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIyMTM2NDM5_size_16_color_FFFFFF_t_70 1]: /images/20220413/b3022efbf51c46e99ecd25cd528ff569.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIyMTM2NDM5_size_16_color_FFFFFF_t_70 2]: /images/20220413/5516a4709b1f497580bd076125355042.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIyMTM2NDM5_size_16_color_FFFFFF_t_70 3]: /images/20220413/595c600fe34d4fd79a4fc8d2bb5c4d88.png
[Beautiful Soup 4.4.0]: https://beautifulsoup.readthedocs.io/zh_CN/latest/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIyMTM2NDM5_size_16_color_FFFFFF_t_70 4]: /images/20220413/9126aa9efa454ddebacd9d335e58f949.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIyMTM2NDM5_size_16_color_FFFFFF_t_70 5]: /images/20220413/0608511bd741499d8b24c5e2c8596038.png