Python爬虫实战
Python爬虫实战
文章目录
1. 引言
注:勿用于非法用途。
之前学习过Python
的基础知识,目前需要做语音识别和语义分析相关工作,所有又得继续学习Python
。
下面就学习下如何使用Python
进行爬虫,就当练练手吧。
Python
特点:
-
Python
是一种面向对象的脚本语言,使用时无需编译,因此也称作解释性语言,其结构简单,语法规则明确,关键词定义较少,非常适合初学者。 -
Python
拥有丰富的内置库函数,对于处理网络、文件、GUI
、数据库、文本等十分便捷,同时支持大量第三方库,比如最常用的用于科学计算的Numpy
、SciPy
等库,提供了非常简洁、高效的开发平台。
2. 页面分析
2.1 页面元素分析
下面要爬虫的是一个电影网站。本人平时看电影,都是用这个网站,想把爬完的数据存入mysql
数据库,再用RUOYI
开源项目做一个后台管理系统。
这个电影网站的分类共有20个,动作片、剧情片、爱情片、喜剧片……但它们都很有规律,查看网页源码,可以发现:
<a href="/0/">剧情片</a>
<a href="/1/">喜剧片</a>
<a href="/2/">动作片</a>
<a href="/3/">爱情片</a>
<a href="/4/">科幻片</a>
<a href="/5/">动画片</a>
<a href="/6/">悬疑片</a>
<a href="/7/">惊悚片</a>
<a href="/8/">恐怖片</a>
<a href="/9/">纪录片</a>
<a href="/11/">音乐歌舞题材电影</a>
<a href="/12/">传记片</a>
<a href="/13/">历史片</a>
<a href="/14/">战争片</a>
<a href="/15/">犯罪片</a>
<a href="/16/">奇幻电影</a>
<a href="/17/">冒险电影</a>
<a href="/18/">灾难片</a>
<a href="/19/">武侠片</a>
<a href="/20/">古装片</a>
对于每个分类的完整地址,前面都会加上网站域名。自己加上吧。
2.2 分页分析
对于每个电影类别的首页,地址都是:
域名 + /2/index.html
对于每个的电影院类别,从第二页开始,地址都是:
域名 + /2/index_2.html # 第二页
域名 + /2/index_3.html # 第三页
域名 + /2/index_4.html # 第四页
可以看出规律了吧。
2.3 页面详情页面
对于进入页面详情页,要观察页面列表的结构,入下图:
a标签指定了跳转的具体路径和电影的名称,还有评分,这几个信息可以获取到。
2.4 下载链接
进入得到电影详情页后,可以看到如下页面结构:
这样就可以获取到电影额下地址啦。
注意:此处的下载地址可能不止一个。
3. 代码
3.1 数据库结构
SET NAMES utf8mb4;
SET FOREIGN_KEY_CHECKS = 0;
-- ----------------------------
-- Table structure for t_video_film
-- ----------------------------
DROP TABLE IF EXISTS `t_video_film`;
CREATE TABLE `t_video_film` (
`film_type` varchar(32) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
`film_type_name` varchar(64) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
`film_name` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
`film_score` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
`film_link` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
`film_magnet_1` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
`film_magnet_2` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
`film_magnet_3` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL
) ENGINE = InnoDB CHARACTER SET = utf8mb4 COLLATE = utf8mb4_general_ci ROW_FORMAT = Dynamic;
SET FOREIGN_KEY_CHECKS = 1;
需要安装pymysql
pip installl pymysql
3.2 步骤
3.2.1 根据url获取页面结构
'''
功能:访问 url 的网页,获取网页内容并返回
参数:url :目标网页的 url
返回:目标网页的 html 内容
'''
def get_data(url):
headers = {
'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
}
try:
r = requests.get(url, headers=headers)
r.encoding="GBK"
r.raise_for_status()
return r.text
except requests.HTTPError as e:
print(e)
print("HTTPError")
except requests.RequestException as e:
print(e)
except:
print("Unknown Error !")
此处要注意的是,要查看爬虫网站的编码,不然会乱码,具体如下:
3.2.2 解析页面数据
使用BeautifulSoup
进行页面解析,具体可以参考另一篇文章:
https://blog.csdn.net/zxd1435513775/article/details/120280335
'''
功能:提取 html 页面信息中的关键信息,并整合一个数组并返回
参数:html 根据 url 获取到的网页内容
返回:存储有 html 中提取出的关键信息的数组
'''
def parse_data(html):
bsobj = bs4.BeautifulSoup(html, 'html.parser')
info = []
# 获取电影列表
tbList = bsobj.find_all('table', attrs={'class': 'tbspan'})
# 对电影列表中的每一部电影单独处理
for item in tbList:
movie = []
score = item.find_all('tr')[2].find_all('td')[1].find_all('font')[1].text
link = item.b.find_all('a')[1]
# 获取电影的名称
name = link["title"]
# 获取详情页面的 url
url = 域名 + link["href"]
# 将数据存放到电影信息列表里
movie.append('20')
movie.append('古装片')
movie.append(name)
movie.append(score)
movie.append(url)
try:
# 访问电影的详情页面,查找电影下载的磁力链接
temp = bs4.BeautifulSoup(get_data(url), 'html.parser')
tbody = temp.find_all('tbody')
# 下载链接有多个(也可能没有),这里将所有链接都放进来
for i in tbody:
download = i.a.text
movie.append(download)
# print(movie)
# 将此电影的信息加入到电影列表中
info.append(movie)
except Exception as e:
print(e)
return info
3.2.3 数据存入数据库
def save_data(data):
db = pymysql.connect(host='localhost', user='root', password='', port=3306, db = 'film')
cur = db.cursor() ##获取游标
sql3 = 'insert into t_video_film(film_type,film_type_name,film_name) values(%s,%s,%s)'
sql4 = 'insert into t_video_film(film_type,film_type_name,film_name,film_score) values(%s,%s,%s,%s)'
sql5 = 'insert into t_video_film(film_type,film_type_name,film_name,film_score,film_link) values(%s,%s,%s,%s,%s)'
sql6 = 'insert into t_video_film(film_type,film_type_name,film_name,film_score,film_link,film_magnet_1) values(%s,%s,%s,%s,%s,%s)'
sql7 = 'insert into t_video_film(film_type,film_type_name,film_name,film_score,film_link,film_magnet_1,film_magnet_2) values(%s,%s,%s,%s,%s,%s,%s)'
sql8 = 'insert into t_video_film(film_type,film_type_name,film_name,film_score,film_link,film_magnet_1,film_magnet_2,film_magnet_3) values(%s,%s,%s,%s,%s,%s,%s,%s)'
for i in data:
print(i)
if len(i) == 3:
cur.execute(sql3, (i[0], i[1], i[2]))
elif len(i) == 4:
cur.execute(sql4, (i[0], i[1], i[2], i[3]))
elif len(i) == 5:
cur.execute(sql5, (i[0], i[1], i[2], i[3], i[4]))
elif len(i) == 6:
cur.execute(sql6, (i[0], i[1], i[2], i[3], i[4], i[5]))
elif len(i) == 7:
cur.execute(sql7, (i[0], i[1], i[2], i[3], i[4], i[5], i[6]))
else:
cur.execute(sql8, (i[0], i[1], i[2], i[3], i[4], i[5], i[6], i[7]))
db.commit()
对于有多个下载链接的电影,要单独处理。
4. 测试结果
5. 完整代码
代码仅供参考,有很多可以优化的地方。
import requests
import bs4
import pymysql
def get_data(url):
'''
功能:访问 url 的网页,获取网页内容并返回
参数:url :目标网页的 url
返回:目标网页的 html 内容
'''
headers = {
'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
}
try:
r = requests.get(url, headers=headers)
r.encoding="GBK"
r.raise_for_status()
return r.text
except requests.HTTPError as e:
print(e)
print("HTTPError")
except requests.RequestException as e:
print(e)
except:
print("Unknown Error !")
def parse_data(html):
'''
功能:提取 html 页面信息中的关键信息,并整合一个数组并返回
参数:html 根据 url 获取到的网页内容
返回:存储有 html 中提取出的关键信息的数组
'''
bsobj = bs4.BeautifulSoup(html, 'html.parser')
info = []
# 获取电影列表
tbList = bsobj.find_all('table', attrs={'class': 'tbspan'})
# 对电影列表中的每一部电影单独处理
for item in tbList:
movie = []
score = item.find_all('tr')[2].find_all('td')[1].find_all('font')[1].text
link = item.b.find_all('a')[1]
# 获取电影的名称
name = link["title"]
# 获取详情页面的 url
url = 域名 + link["href"]
# 将数据存放到电影信息列表里
movie.append('20')
movie.append('古装片')
movie.append(name)
movie.append(score)
movie.append(url)
try:
# 访问电影的详情页面,查找电影下载的磁力链接
temp = bs4.BeautifulSoup(get_data(url), 'html.parser')
tbody = temp.find_all('tbody')
# 下载链接有多个(也可能没有),这里将所有链接都放进来
for i in tbody:
download = i.a.text
movie.append(download)
# print(movie)
# 将此电影的信息加入到电影列表中
info.append(movie)
except Exception as e:
print(e)
return info
def save_data(data):
'''
功能:将 data 中的信息输出到文件中/或数据库中。
参数:data 将要保存的数据
'''
# print(data)
db = pymysql.connect(host='localhost', user='root', password='123456', port=3306, db = 'film')
cur = db.cursor() ##获取游标
sql3 = 'insert into t_video_film(film_type,film_type_name,film_name) values(%s,%s,%s)'
sql4 = 'insert into t_video_film(film_type,film_type_name,film_name,film_score) values(%s,%s,%s,%s)'
sql5 = 'insert into t_video_film(film_type,film_type_name,film_name,film_score,film_link) values(%s,%s,%s,%s,%s)'
sql6 = 'insert into t_video_film(film_type,film_type_name,film_name,film_score,film_link,film_magnet_1) values(%s,%s,%s,%s,%s,%s)'
sql7 = 'insert into t_video_film(film_type,film_type_name,film_name,film_score,film_link,film_magnet_1,film_magnet_2) values(%s,%s,%s,%s,%s,%s,%s)'
sql8 = 'insert into t_video_film(film_type,film_type_name,film_name,film_score,film_link,film_magnet_1,film_magnet_2,film_magnet_3) values(%s,%s,%s,%s,%s,%s,%s,%s)'
for i in data:
print(i)
if len(i) == 3:
cur.execute(sql3, (i[0], i[1], i[2]))
elif len(i) == 4:
cur.execute(sql4, (i[0], i[1], i[2], i[3]))
elif len(i) == 5:
cur.execute(sql5, (i[0], i[1], i[2], i[3], i[4]))
elif len(i) == 6:
cur.execute(sql6, (i[0], i[1], i[2], i[3], i[4], i[5]))
elif len(i) == 7:
cur.execute(sql7, (i[0], i[1], i[2], i[3], i[4], i[5], i[6]))
else:
cur.execute(sql8, (i[0], i[1], i[2], i[3], i[4], i[5], i[6], i[7]))
db.commit()
'''
<a href="/0/">剧情片</a> 6687/6804
<a href="/1/">喜剧片</a> 4203/4263
<a href="/2/">动作片</a> 3698/3756
<a href="/3/">爱情片</a> 2518/2561
<a href="/4/">科幻片</a> 1256/1258
<a href="/5/">动画片</a> 936/988
<a href="/6/">悬疑片</a> 1424/1428
<a href="/7/">惊悚片</a> 3759/3792
<a href="/8/">恐怖片</a> 1547/1563
<a href="/9/">纪录片</a> 237/238
<a href="/11/">音乐歌舞题材电影</a> 289/289
<a href="/12/">传记片</a> 418/430
<a href="/13/">历史片</a> 568/572
<a href="/14/">战争片</a> 637/652
<a href="/15/">犯罪片</a> 2198/2227
<a href="/16/">奇幻电影</a> 1276/1279
<a href="/17/">冒险电影</a> /1727 58
<a href="/18/">灾难片</a> 81/81 3
<a href="/19/">武侠片</a> 75/75 3
<a href="/20/">古装片</a> 196/197 7
'''
def main():
# 循环爬取多页数据
for page in range(1, 8):
print('正在爬取:第' + str(page) + '页......')
# 根据之前分析的 URL 的组成结构,构造新的 url
if page == 1:
index = 'index'
else:
index = 'index_' + str(page)
url = 域名 + index + '.html'
# 依次调用网络请求函数,网页解析函数,数据存储函数,爬取并保存该页数据
html = get_data(url)
movies = parse_data(html)
save_data(movies)
print('第' + str(page) + '页完成!')
if __name__ == '__main__':
print('爬虫启动成功!')
main()
print('爬虫执行完毕!')
更多推荐
所有评论(0)