随着科技不断发展，互联网已经进入了大数据时代。
我们过去只能通过报刊杂志、电视广播获取到有限的信息，而现在，互联网上的海量数据，让我们享受到了信息自由。
但是，我们获取到了海量的信息同时，也带来了大量的垃圾信息。
所以必须要通过一些技术手段进行收集、整理、分析、筛选，然后才能获取到对我们有用的相关内容。
而这个技术手段，就叫网络爬虫技术。
前两天老铁跟我吐槽，他的老板突然要他收集豆瓣电影Top250榜单上的电影详细信息，然后做成Excel表格。
他当时听到这个消息很崩溃，他的本职工作不是这一方面，只是被临时拉来顶班。他当时跟我说这么多的信息，复制粘贴也需要很多时间，在他花费了一大把时间，但是并没有什么成果。
所以他来问我：你们程序员有没有什么黑科技，可以快速收集网页信息。
我当时灵光一闪，这用Python爬虫技术不就可以很快实现。用几行代码快速获取信息，生成Excel表格。
爬虫案例讲解
爬虫可以爬取的内容有很多，比如房价、房源数据，股票信息或者是购物网上的一些商品信息，就是大部分网页上有的信息都可以爬取下来，尤其对于信息收集工作者来说，简直是福音。
对于初学者来说，复杂的爬虫案例可能会有困难，所以我教大家简单的网页信息爬取，以豆瓣电影TOP250榜单为例，把电影信息爬取下来。话不多说，往下看↓ ↓ ↓
这是爬取的结果：
我这边用的是pychram 运行的，最开始就是导入库和模块
# -*- codeing = utf-8 -*-
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 # 指定URL，获取网页数据
import xlwt # 进行excel操作
#import sqlite3 # 进行SQLite数据库操作
开头的这个是设置编码为utf-8 ，写在开头，防止乱码。
本次爬虫能用到的就是这些库，后面也都加了注释，我这里主要讲存储在Excel里，也可以用数据库操作。
我们主要爬取的是
https://movie.douban.com/top250 这个网址，它跳转的是以这个网页，我们主要是要爬取左侧电影的信息。
爬取网页大致分三步
1.获取数据
2.解析内容
3.保存数据
（一）获取数据
def main():
baseurl = "https://movie.douban.com/top250?start=" #要爬取的网页链接
# 1.爬取网页
datalist = getData(baseurl)
baseurl 就是我们要爬取的网页链接，下面就是调用getData(baseurl)
# 爬取网页
def getData(baseurl):
datalist = [] #用来存储爬取的网页信息
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)
这里为什么要调用10次？因为豆瓣电影Top250，页面包括250条电影数据，分10页，每页25条。每页URL的不同之处：最后的页面数值=（页面数-1）25，所以我们需要访问页面10次，2510=250。
然后就请求网页，Python一般用urllib2库获取页面
# 得到指定一个URL的网页内容
def askURL(url):
head = { # 模拟浏览器头部信息，向豆瓣服务器发送消息
"User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122 Safari / 537.36"
}
# 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，我们可以接收什么水平的文件内容）
request = urllib.request.Request(url, headers=head)
html = ""
try:
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
return html
对每一个页面，调用askURL函数获取页面内容。
定义一个获取页面的函数askURL， 传入一个urI参数，表示网址，如https:/ /movie.douban.com/ top250?start=0。
urllib2.Request生成请求;；urllib2.urlopen发送请求获取响应； read 获取页面内容。
在访问页面时经常会出现错误，为了程序正常运行，加入异常捕获try...except...语句。不然可能会出现这样的错误代码↓
418 I’m a teapotThe HTTP 418 I’m a teapot client error response code indicates that
the server refuses to brew coffee because it is a teapot. This error
is a reference to Hyper Text Coffee Pot Control Protocol which was an
April Fools’ joke in 1998.
翻译为：HTTP 418 I‘m a teapot客户端错误响应代码表示服务器拒绝煮咖啡，因为它是一个茶壶。这个错误是对1998年愚人节玩笑的超文本咖啡壶控制协议的引用。
其实就是被网站认出来是爬虫，所以需要掩饰一下
（二）解析内容
接下来就是逐一解释数据
# 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
data = [] # 保存一部电影所有信息
item = str(item)
link = re.findall(findLink, item)[0] # 通过正则表达式查找
主要是通正则表达式查找。
正则表达式
正则表达式,通常被用来检索、替换那些符合某个模式(规则)的文本。
正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一-些特定字符及这些特定字符的组合,组成一个"规则字符串”, 这个"规则字符串”用来表达对字符串的一种过滤逻辑。Python中使用re模块操作正则表达式。
#影片详情连接的规则
findLink = re.compile(r'<a href="(.*?)">') # 创建正则表达式对象，影片详情链接的规则
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) #re.S 让换行符包含在字符中
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#一句话简介
findInq = re.compile(r'<span class="inq">(.*)</span>')
#影片相关内容
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)
然后应用规则找到我们所需要的内容
#影片详情连接
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) #片名可能只有中文名没有外文名
if (len(titles) == 2):
ctitle = titles[0] #添加中文名
data.append(ctitle)
otitle = titles[1].replace("/", "") #去掉无关字符
data.append(otitle) #添加外文名
else:
data.append(titles[0])
data.append(' ') #如果没有外文名就留空
rating = re.findall(findRating, item)[0]
data.append(rating) #添加评分
judgeNum = re.findall(findJudge, item)[0]
data.append(judgeNum) #添加评分人数
inq = re.findall(findInq, item)
if len(inq) != 0:
inq = inq[0].replace("。", "") #去掉句号
data.append(inq) #添加一句话简介
else:
data.append(" ")
bd = re.findall(findBd, item)[0] #电影详细信息
bd = re.sub('<br(\s+)?/>(\s+)?', "", bd) #去掉<br/>
# bd = re.sub('/', "", bd)
data.append(bd.strip()) #去掉空格
datalist.append(data) #把处理好的电影信息放入datalist
return datalist
（三）保存数据
最后就是将获取到的内容保存到Excel里面
# 保存数据到表格
def saveData(datalist,savepath):
print("save.......")
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) #创建工作表
col = ("电影详情链接","海报图片链接","影片中文名","影片外文名","豆瓣评分","评价人数","一句话简介","详细信息")
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)) #输出语句，用来测试
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #数据
book.save(savepath) #保存
最后运行之后在左侧会出现一个这样的文件：
打开可以看到就是我们获取到的结果：
得到我们想要的结果后，稍微调整以下就可以交给领导了，详细又清晰。我教给老铁这种方法后（从来没有接触过代码的老铁都学会了），他都开心疯了~
最后附上我所有的源代码
# -*- codeing = utf-8 -*-
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 # 指定URL，获取网页数据
import xlwt # 进行excel操作
#影片详情连接的规则
findLink = re.compile(r'<a href="(.*?)">') # 创建正则表达式对象，影片详情链接的规则
#影片图片
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) #re.S 让换行符包含在字符中
#影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
#影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
#评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
#一句话简介
findInq = re.compile(r'<span class="inq">(.*)</span>')
#影片相关内容
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)
def main():
baseurl = "https://movie.douban.com/top250?start=" #要爬取的网页链接
# 1.爬取网页
datalist = getData(baseurl)
savepath = "豆瓣电影Top250.xls" #当前目录新建XLS，存储进去
# 3.保存数据
#saveData(datalist,savepath)
# 爬取网页
def getData(baseurl):
datalist = [] #用来存储爬取的网页信息
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
# 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，形成列表
data = [] # 保存一部电影所有信息
item = str(item)
#影片详情连接
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) #片名可能只有中文名没有外文名
if (len(titles) == 2):
ctitle = titles[0] #添加中文名
data.append(ctitle)
otitle = titles[1].replace("/", "") #去掉无关字符
data.append(otitle) #添加外文名
else:
data.append(titles[0])
data.append(' ') #如果没有外文名就留空
rating = re.findall(findRating, item)[0]
data.append(rating) #添加评分
judgeNum = re.findall(findJudge, item)[0]
data.append(judgeNum) #添加评分人数
inq = re.findall(findInq, item)
if len(inq) != 0:
inq = inq[0].replace("。", "") #去掉句号
data.append(inq) #添加一句话简介
else:
data.append(" ")
bd = re.findall(findBd, item)[0] #电影详细信息
bd = re.sub('<br(\s+)?/>(\s+)?', "", bd) #去掉<br/>
# bd = re.sub('/', "", bd)
data.append(bd.strip()) #去掉空格
datalist.append(data) #把处理好的电影信息放入datalist
return datalist
# 得到指定一个URL的网页内容
def askURL(url):
head = { # 模拟浏览器头部信息，向豆瓣服务器发送消息
"User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122 Safari / 537.36"
}
# 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，我们可以接收什么水平的文件内容）
request = urllib.request.Request(url, headers=head)
html = ""
try:
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
return html
# 保存数据到表格
def saveData(datalist,savepath):
print("save.......")
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) #创建工作表
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)) #输出语句，用来测试
data = datalist[i]
for j in range(0,8):
sheet.write(i+1,j,data[j]) #数据
book.save(savepath) #保存
if __name__ == "__main__": # 当程序执行时
# 调用函数
main()
print("爬取完毕！")
这样我们的爬虫就爬取完毕了，我这里只是以豆瓣榜单为例，这个方法对于爬取其他网页也同样适用。这样做信息收集是特别方便，会大大提高工作效率。
有问题的，不懂的可以在评论区提出，或者私信我，看到就会回复。
最后关于两种存储方式：存储到Excel和存储到sqlite数据库，两种存储方式可以选择一种。我这里写的是存储数据到Excel的，如果需要存储数据库源代码的可以私信我！
