Pythonクローラーの超詳しく解説

この記事では、Python に関する関連知識を提供します。主にクローラーに関連する問題を整理します。Web クローラー (Web スパイダー、Web ロボットとも呼ばれます) は、ネットワーク リクエストを送信し、リクエストの応答を受信し、ブラウザーをシミュレートします。インターネットの情報を一定のルールに従って自動的に取得するプログラムですので、見ていきましょう。

【関連する推奨事項: Python3 ビデオ チュートリアル ]

CRABIL

Web クローラー (Web ページとも呼ばれます)スパイダー（ウェブロボット）は、ブラウザを模倣してネットワークリクエストを送信し、リクエストレスポンスを受信し、一定のルールに従ってインターネット情報を自動的に取得するプログラムです。
基本的にブラウザ（クライアント）ができることはクローラでもできます。

クローラーを使用する理由

インターネット ビッグ データの時代は、私たちの生活を便利にし、大量のデータがインターネット上に爆発的に出現するようになりました。
従来は本、新聞、テレビ、ラジオ、情報などを利用していましたが、情報量が限られており、ある程度の選別が必要であったため、比較的有効な情報でしたが、情報量が多すぎることが欠点でした。狭い。非対称的な情報伝達は私たちの視野を制限し、より多くの情報や知識を学ぶことを妨げます。
インターネットビッグデータの時代、私たちは突如として情報に無料でアクセスできるようになり、膨大な量の情報を手に入れることができましたが、そのほとんどは無効なジャンク情報です。
たとえば、Sina Weibo では 1 日に数億件の近況更新情報が生成されますが、Baidu 検索エンジンでは、たった 1 つのメッセージ、つまり減量に関する 1 億件のメッセージだけを検索できます。
このように膨大な情報の断片の中で、私たちはどうやって自分にとって有益な情報を入手するのでしょうか?
答えはスクリーニングです!
特定のテクノロジーを使用して関連コンテンツを収集し、分析と削除を経て初めて本当に必要な情報を取得できます。
この情報収集・分析・統合作業は、生活サービス、旅行、金融投資、各種製造業の製品市場需要など、非常に幅広い分野で応用可能です。より正確な情報を得るために、有効な情報を活用してください。
ウェブ クローラー テクノロジーには奇妙な名前が付けられており、Neng の最初の反応は柔らかくうごめく生き物のようなものですが、実際には仮想世界で前進できる強力なツールです。

クローラの準備

私たちはよく Python クローラについて話しますが、実はここで誤解があるかもしれません。クローラは Python 固有のものではありません。使用できる言語はたくさんあります。 PHP、JAVA、C#、C、Python などのクロールの場合、Python は比較的シンプルで、比較的完全な機能を備えているため、クローラーとして Python を選択しました。
まず、Python をダウンロードする必要があります。私は最新の公式バージョン 3.8.3 をダウンロードしました。
次に、Python を実行する環境が必要です。pychram を使用します。

##公式 Web サイトからダウンロードすることもできます。
クローラーの動作をサポートするためにいくつかのライブラリも必要です (一部のライブラリは Python に付属している場合があります)

ほぼこれらのライブラリ、私は良心の呵責のため、後ろにコメントを書きました

(クローラーの実行プロセス中、必ずしも上記のいくつかのライブラリのみが必要なわけではありません。それは、クローラーの特定の 1 つ) とにかく、ライブラリが必要な場合は、設定で直接インストールできます)

クローラー プロジェクトの説明

私がやっていることは、次のクローラー コードをクロールすることです。 Douban が評価した映画トップ 250
クロールしたい Web サイトは次のとおりです: https://movie.douban.com/top250

ここでクロールが完了したので、レンダリングをお見せします。クロールされたコンテンツを xls に保存しました

クロールしたコンテンツは次のとおりです: 映画の詳細リンク、画像のリンク、映画の中国語名、映画の外国名作品、評価、レビュー数、概要、関連情報。

コード分析

最初にコードを投稿し、次にコードに基づいて段階的に分析します

# -*- 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  # 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

findLink = re.compile(r'<a href="(.*?)">')  # 创建正则表达式对象，标售规则   影片详情链接的规则
findImgSrc = re.compile(r'<img.*src="(.*?)"&#39;, re.S)
findTitle = re.compile(r&#39;<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
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
    # dbpath = "movie.db"              #当前目录新建数据库，存储进去
    # 3.保存数据
    saveData(datalist,savepath)      #2种存储方式可以只选择一种
    # saveData2DB(datalist,dbpath)



# 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('p', 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
            data.append(link)
            imgSrc = re.findall(findImgSrc, item)[0]
            data.append(imgSrc)
            titles = re.findall(findTitle, item)
            if (len(titles) == 2):
                ctitle = titles[0]
                data.append(ctitle)
                otitle = titles[1].replace("/", "")  #消除转义字符
                data.append(otitle)
            else:
                data.append(titles[0])
                data.append(' ')
            rating = re.findall(findRating, item)[0]
            data.append(rating)
            judgeNum = re.findall(findJudge, item)[0]
            data.append(judgeNum)
            inq = re.findall(findInq, item)
            if len(inq) != 0:
                inq = inq[0].replace("。", "")
                data.append(inq)
            else:
                data.append(" ")
            bd = re.findall(findBd, item)[0]
            bd = re.sub('<br(\s+)?/>(\s+)?', "", bd)
            bd = re.sub('/', "", bd)
            data.append(bd.strip())
            datalist.append(data)

    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

# def saveData2DB(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)     #输出查询语句，用来测试
#             cur.execute(sql)
#             conn.commit()
#     cur.close
#     conn.close()


# def init_db(dbpath):
#     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
#         )
#
#
#     '''  #创建数据表
#     conn = sqlite3.connect(dbpath)
#     cursor = conn.cursor()
#     cursor.execute(sql)
#     conn.commit()
#     conn.close()

# 保存数据到数据库







if __name__ == "__main__":  # 当程序执行时
    # 调用函数
     main()
    # init_db("movietest.db")
     print("爬取完毕！")

今からあげますコードを元に下から順に説明していきます --coding = utf-8 -- 一つ目は、エンコーディングを utf-8 にして先頭に記述することです。文字化け。

続いての import では、いくつかのライブラリをインポートして準備をします（sqlite3 ライブラリは使ったことがないのでコメントアウトしました）。
find で始まる次の単語は正規表現であり、情報をフィルタリングするために使用されます。
(正規表現には Re ライブラリが使用されており、正規表現を使用する必要はありません。)
一般的なプロセスは 3 つのステップに分かれています:

1. Web ページをクロールする
2. データを 1 つずつ解析します
3. Web ページを保存します

先分析流程1，爬取网页，baseurl 就是我们要爬虫的网页网址，往下走，调用了 getData（baseurl) ,
我们来看 getData方法

 for i in range(0, 10):  # 调用获取页面信息的函数，10次
        url = baseurl + str(i * 25)

 这段大家可能看不懂，其实是这样的：
因为电影评分Top250，每个页面只显示25个，所以我们需要访问页面10次，25*10=250。

baseurl = "https://movie.douban.com/top250?start="

我们只要在baseurl后面加上数字就会跳到相应页面，比如i=1时

https://movie.douban.com/top250?start=25

我放上超链接，大家可以点击看看会跳到哪个页面，毕竟实践出真知。

然后又调用了askURL来请求网页，这个方法是请求网页的主体方法，
怕大家翻页麻烦，我再把代码复制一遍，让大家有个直观感受

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

 这个askURL就是用来向网页发送请求用的，那么这里就有老铁问了，为什么这里要写个head呢？

这是因为我们要是不写的话，访问某些网站的时候会被认出来爬虫，显示错误，错误代码

418

这是一个梗大家可以百度下，

418 I’m a teapot

The 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.

我是一个茶壶

所以我们需要 “装” ，装成我们就是一个浏览器，这样就不会被认出来，
伪装一个身份。

来，我们继续往下走，

 html = response.read().decode("utf-8")

这段就是我们读取网页的内容，设置编码为utf-8，目的就是为了防止乱码。
访问成功后，来到了第二个流程：

2.逐一解析数据

解析数据这里我们用到了 BeautifulSoup（靓汤） 这个库，这个库是几乎是做爬虫必备的库，无论你是什么写法。

下面就开始查找符合我们要求的数据，用BeautifulSoup的方法以及 re 库的
正则表达式去匹配，

findLink = re.compile(r'<a href="(.*?)">')  # 创建正则表达式对象，标售规则   影片详情链接的规则
findImgSrc = re.compile(r'<img.*src="(.*?)"&#39;, re.S)
findTitle = re.compile(r&#39;<span class="title">(.*)</span>')
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findJudge = re.compile(r'<span>(\d*)人评价</span>')
findInq = re.compile(r'<span class="inq">(.*)</span>')
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)

匹配到符合我们要求的数据，然后存进 dataList ， 所以 dataList 里就存放着我们需要的数据了。

最后一个流程：

3.保存数据

    # 3.保存数据
    saveData(datalist,savepath)      #2种存储方式可以只选择一种
    # saveData2DB(datalist,dbpath)

保存数据可以选择保存到 xls 表， 需要（xlwt库支持）
也可以选择保存数据到 sqlite数据库， 需要（sqlite3库支持）

这里我选择保存到 xls 表 ，这也是为什么我注释了一大堆代码，注释的部分就是保存到 sqlite 数据库的代码，二者选一就行

保存到 xls 的主体方法是 saveData （下面的saveData2DB方法是保存到sqlite数据库）：

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

创建工作表，创列（会在当前目录下创建），

  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")

然后把 dataList里的数据一条条存进去就行。

最后运作成功后，会在左侧生成这么一个文件

打开之后看看是不是我们想要的结果

成了，成了！如果我们需要以数据库方式存储，可以先生成 xls 文件，再把 xls 文件导入数据库中，就可以啦！

【相关推荐：Python3视频教程 】

以上がPythonクローラーの超詳しく解説の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。