前言:
本文非常淺顯易懂,可以說是零基礎也可快速掌握。如有疑問,歡迎留言,筆者會第一時間回複。本文代碼存于github
一、爬蟲的重要性:
如果把網際網路比喻成一個蜘蛛網,那麼Spider就是在網上爬來爬去的蜘蛛。網絡蜘蛛通過網頁的連結位址來尋找網頁,從網站某一個頁面(通常是首頁)開始,讀取網頁的内容,找到在網頁中的其它連結位址,然後通過這些連結位址尋找下一個網頁,一直循環下去,直到把整個網站所有的網頁都抓取完為止。
摘取部分網友的回複:
1、之前在北京買房,誰想房價開始瘋長,鍊家的房價等資料分析隻給了一小部分,遠遠不能滿足自己的需求。于是晚上花了幾個小時的時間寫了個爬蟲,爬下了北京所有的小區資訊及北京所有小區的所有曆史成交記錄。
2、我的夫妻是某網絡公司的銷售,需要收集各種企業資訊然後打電話聯系。于是乎利用采集腳本抓一坨一坨的資料給她用,而她的同僚天天自己搜資料整理到半夜。
二、實踐:爬取電影天堂電影詳情頁
1、網頁分析及爬取第一頁的詳情頁url
from lxml import etree
import requests
url = 'http://www.ygdy8.net/html/gndy/dyzz/list_23_1.html'
headers = {
'User_Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
}
response = requests.get(url,headers=headers)
# response.text 是系統自己預設判斷。但很遺憾判斷錯誤,導緻亂碼出現。我們可以采取另外方式 response.content。自己指定格式解碼
# print(response.text)
# print(response.content.decode('gbk'))
print(response.content.decode(encoding="gbk", errors="ignore"))
先以第一頁為例,列印資料如下:
分析電影天堂 html 源代碼,可以得出每個 table 标簽就是一個電影
通過 xpath 拿到每個電影的詳情url
html = etree.HTML(text)
detail_urls = html.xpath("//table[@class='tbspan']//a/@href")
for detail_url in detail_urls:
print(detail_url) #加上域名即為詳情 url
結果如下:
2、整理代碼并爬取前7頁的電影清單url
from lxml import etree
import requests
# 域名
BASE_DOMAIN = 'http://www.ygdy8.net'
# url = 'http://www.ygdy8.net/html/gndy/dyzz/list_23_1.html'
HEADERS = {
'User_Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
}
def spider():
base_url = 'http://www.ygdy8.net/html/gndy/dyzz/list_23_{}.html'
for x in range(1,8):
url = base_url.format(x)
print(url) # 求出每一頁電影清單的url eg: http://www.ygdy8.net/html/gndy/dyzz/list_23_1.html
if __name__ == '__main__':
spider()
3、爬取每一部電影的詳情頁位址
def get_detail_urls(url):
response = requests.get(url, headers=HEADERS)
# response.text 是系統自己預設判斷。但很遺憾判斷錯誤,導緻亂碼出現。我們可以采取另外方式 response.content。自己指定格式解碼
# print(response.text)
# print(response.content.decode('gbk'))
# print(response.content.decode(encoding="gbk", errors="ignore"))
text = response.content.decode(encoding="gbk", errors="ignore")
# 通過 xpath 拿到每個電影的詳情url
html = etree.HTML(text)
detail_urls = html.xpath("//table[@class='tbspan']//a/@href")
detail_urls = map(lambda url:BASE_DOMAIN+url,detail_urls) #這句意思相當于下面一段代碼:替換清單中的每一個url
# def abc(url):
# return BASE_DOMAIN+url
# index = 1
# for detail_url in detail_urls:
# detail_url = abc(detail_url)
# detail_urls[index] = detail_url
# index+1
return detail_urls
4、抓取電影詳情頁的資料
# 解析詳情頁面
def parse_detail_page(url):
movie = {}
response = requests.get(url,headers = HEADERS)
text = response.content.decode('gbk', errors='ignore')
html = etree.HTML(text)
# title = html.xpath("//div[@class='title_all']//font[@color='#07519a']") # 本行47行,下面已修改
# 列印出 [, ]
# print(title)
# 為了顯示,我們需要轉一下編碼
# for x in title:
# print(etree.tostring(x,encoding='utf-8').decode('utf-8'))
# 我們是為了取得文字,是以修改47行
title = html.xpath("//div[@class='title_all']//font[@color='#07519a']/text()")[0]
movie['title'] = title
zoomE = html.xpath("//div[@id='Zoom']") [0] # 求出共同的頂級容器,友善後面求職
imgs = zoomE.xpath(".//img/@src") # 求出海報和截圖
cover = imgs[0]
if len(imgs) > 1:
screenshot = imgs[1]
movie['screenshot'] = screenshot
# print(cover)
movie['cover'] = cover
infos = zoomE.xpath(".//text()")
for index,info in enumerate(infos):
if info.startswith('年 代'):
info = info.replace("年 代", "").strip() # strip 去掉空格
movie['year'] = info
elif info.startswith("産 地"):
info = info.replace("産 地", "").strip()
movie["country"] = info
elif info.startswith("類 别"):
info = info.replace("類 别", "").strip()
movie["category"] = info
elif info.startswith("豆瓣評分"):
info = info.replace("豆瓣評分", "").strip()
movie["douban_rating"] = info
elif info.startswith("片 長"):
info = info.replace("片 長","").strip()
movie["duration"] = info
elif info.startswith("導 演"):
info = info.replace("導 演", "").strip()
movie["director"] = info
elif info.startswith("主 演"):
# info = info.replace("主 演", "").strip()
# 因為主演有很多個,再加上其在電影天堂中元素的特殊性,需要周遊一遍,在分别求出每一個演員
actors = []
for x in range(index+1,len(infos)): # 從演員 infos 開始周遊,求出每一個演員
actor = infos[x].strip()
if actor.startswith(""): # 也就是到了标簽 的 就退出
break
actors.append(actor)
movie['actor'] = actors
elif info.startswith('簡 介 '):
# info = info.replace('簡 介 ',"").strip()
for x in range(index+1,len(infos)):
if infos[x].startswith("獲獎情況"):
break
profile = infos[x].strip()
movie['profile'] = profile
# print(movie)
elif info.startswith('獲獎情況 '):
awards = []
# info = info.replace("獲獎情況 ", "").strip()
for x in range(index+1,len(infos)):
if infos[x].startswith("【下載下傳位址】"):
break
award = infos[x].strip()
awards.append(award)
movie['awards'] = awards
# print(awards)
download_url = html.xpath("//td[@bgcolor='#fdfddf']/a/@href")[0]
movie['download_url'] = download_url
return movie
上述代碼爬取了電影的每一個資料。為了讓讀者友善對照格式,筆者已經下載下傳了寫此篇文章時的html—— “movie.html”,放于github 中
最後結果: