讲解我们的爬虫之前，先概述关于爬虫的简单概念（毕竟是零基础教程）
想象一下，如果你是一个侦探，那么网络爬虫就是你的得力助手，悄无声息地在互联网的各个角落搜集线索。网络爬虫，又称网页蜘蛛或网络机器人，是一种能够模拟浏览器发送网络请求，接收响应，并按照一定规则自动抓取互联网信息的程序。
网络爬虫的定义是什么？
网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟浏览器发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。原则上，只要是浏览器(客户端)能做的事情，爬虫都能够做。
网络爬虫在我们的生活中扮演怎样的角色？
在数字化时代，信息如同潮水般汹涌而来。过去，我们可能依赖书籍、报纸或电视来获取信息，但这些渠道的信息量有限，而且筛选过的信息未必能满足我们的需求。如今，互联网为我们提供了海量的信息，但同时也带来了“信息过载”的问题。如何在浩如烟海的数据中找到我们真正需要的信息呢？
答案就是网络爬虫。它可以帮助我们自动化地搜集和分析信息，无论是在商业研究、市场分析、还是个人学习等方面，都有着广泛的应用。比如，商家可以利用爬虫分析竞争对手的营销策略，投资者可以用它来跟踪市场动态，学者可以收集数据进行学术研究。
在如此海量的信息碎片中，我们如何获取对自己有用的信息呢？
毫无疑问是通过网络爬虫进行分析筛选！
通过某项技术将相关的内容收集起来，再分析筛选才能得到我们真正需要的信息。
这个信息收集分析整合的工作，可应用的范畴非常的广泛，无论是生活服务、出行旅行、金融投资、各类制造业的产品市场需求等等……都能够借助这个技术获取更精准有效的信息加以利用。
网络爬虫技术，虽说有个诡异的名字，本能第一反应是那种软软的蠕动的生物，但它却是一个可以在虚拟世界里，无往不前的利器。
如何做好网络爬虫的准备工作？
当我们提到“Python爬虫”时，可能会让人误以为只有Python才能做爬虫。其实，这是一个误解。PHP、JAVA、C#、C++等编程语言也都可以编写爬虫程序。之所以Python在爬虫领域备受欢迎，是因为它的语法简洁易读，同时拥有丰富的第三方库和工具，如requests、BeautifulSoup等，这些都能极大地简化爬虫的编写过程。
但是，无论使用哪种编程语言，编写爬虫都需要一定的技术基础和对网络协议的理解。同时，也需要注意遵守网站的robots协议和法律法规，避免对网站造成不必要的负担或侵犯他人的权益。
总之，网络爬虫是我们在大数据时代中不可或缺的数据收集助手。它能够帮助我们快速、准确地获取所需信息，为我们的工作和生活带来便利。
首先我们需要下载python，我下载的是官方最新的版本 3.8.3
其次我们需要一个Python的代码编辑器，我用的是Pychram。
下载链接：https://www.jetbrains.com/pycharm/download/#section=windows
我们还需要一些库来支持爬虫的运行（有些库Python可能自带了)
# -*- 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
差不多就是这几个库了，良心的我已经在后面写好注释了。
爬虫运行过程中，不一定就只需要上面几个库，看你爬虫的一个具体写法了，反正需要库的话我们可以直接在setting里面安装)
爬虫项目讲解
我们要爬取的就是这个网站：https://movie.douban.com/top250
我们的爬取的内容是：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。
这边我已经爬取好了，将爬取内容存入xls表中，看一下效果图：
代码分析
先把代码放上来，然后我根据代码逐步解析：
# -*- 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="(.*?)"', re.S)findTitle = re.compile(r'<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)defmain(): 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defgetData(baseurl): datalist = [] #用来存储爬取的网页信息for i inrange(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 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)iflen(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defaskURL(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:ifhasattr(e, "code"):print(e.code)ifhasattr(e, "reason"):print(e.reason)return html# 保存数据到表格defsaveData(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 inrange(0,8): sheet.write(0,i,col[i]) #列名for i inrange(0,250):# print("第%d条" %(i+1)) #输出语句，用来测试 data = datalist[i]for j inrange(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！")
下面我根据代码，从下到下给大家讲解分析一遍
-- codeing = utf-8 --，开头的这个是设置编码为utf-8 ，写在开头，防止乱码。
然后下面 import就是导入一些库，做做准备工作，（sqlite3这库我并没有用到所以我注释起来了）。
下面一些find开头的是正则表达式，是用来我们筛选信息的。（正则表达式用到 re 库，也可以不用正则表达式，不是必须的。）
大体流程分三步走：
爬取网页
逐一解析数据
保存网页
1.爬取网页
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 inrange(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。
defaskURL(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:ifhasattr(e, "code"):print(e.code)ifhasattr(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 thatthe server refuses to brew coffee because it is a teapot. This erroris a reference to Hyper Text Coffee Pot Control Protocol which was anApril 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="(.*?)"', re.S)findTitle = re.compile(r'<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）：
defsaveData(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 inrange(0,8): sheet.write(0,i,col[i]) #列名for i inrange(0,250):# print("第%d条" %(i+1)) #输出语句，用来测试 data = datalist[i]for j inrange(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
我也在不断的学习中，学到新东西第一时间会跟大家分享，大家可以动动小手，点波关注不迷路。
关于Python技术储备
学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！
整理出了一套系统的学习路线，这套资料涵盖了诸多学习内容：开发工具，基础视频教程，项目实战源码，51本电子书籍，100道练习题等。相信可以帮助大家在最短的时间内，能达到事半功倍效果，用来复习也是非常不错的。
👉Python学习路线汇总👈
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
👉Python学习视频合集👈
观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
👉实战案例👈
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
资料获取方式：↓↓↓↓1.关注下方公众号↓↓↓↓，在后台发送：“python” 即可免费领取
