Python爬虫零基础（以爬豆瓣电影top250为例，尝试自己写爬豆瓣读书top250的代码）
安装编译器
先要准备好一个Python的编译器，就是得能有一个地方去运行你想要读懂的代码，像官方版呐，Anaconda,Pycharm,Eclipse等等。
安装第三方库
安装第三方库，比如需要用到BeautifulSoup这个库（这是可以从HTML或XML文件中提取数据的Python库）
首先打开cmd命令框
BeautifulSoup库名是bs4
下载库文件的命令是：
pip install bs4
输入到cmd里面去
然后回车
看到图中红色方框的Requirement already satisfied: beautifulsoup4 in字样基本就可以了
然后检验一下
在编译器里面输入
from bs4 import BeautifulSoupprint("asd");
能正常输出就证明库的安装没有问题，有警告不要紧（因为我们import了这个库但没有用到它）
还会用到下面这些个库，照上面的步骤安装就成，功能都写在注释里面了
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 requests
源代码和读代码
我读的代码来源是
作者：码农BookSea
原文链接: /bookssea/article/details/107309591
我直接把代码复制过来了，他写的时候用了两种方法，一是直接用excel表格体现爬取的数据，二是把数据保存到数据库里面（先没看这个方式，就把对应的代码删了）
读代码的过程上面这个文章讲的很详细了，我就不加以赘述了
# -*- 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findLink = pile(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 = pile(r'<img.*src="(.*?)"', re.S)findTitle = pile(r'<span class="title">(.*)</span>')findRating = pile(r'<span class="rating_num" property="v:average">(.*)</span>')findJudge = pile(r'<span>(\d*)人评价</span>')findInq = pile(r'<span class="inq">(.*)</span>')findBd = pile(r'<p class="">(.*?)</p>', re.S)def main():baseurl = "/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)#2种存储方式可以只选择一种# 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if __name__ == "__main__": # 当程序执行时# 调用函数main()print("爬取完毕！")
尝试自己写代码
刚刚我们读的代码爬的网站是：豆瓣电影top250 /top250?start=
我想要爬的网站是: 豆瓣热门访谈图书TOP 10 /subject_collection/EC3EPTHFA
这个和我们刚刚读的代码里爬的网站很相似，甚至难度没那个网站那么高，让我们一步步去实现它吧。
我们要进行获取网站上面的信息，就得要知道网站上面的这些个字，这些个模块是怎么出来的，涉及到一点点的前端知识
首先我们从最简单的写起，怎么获取一个网站上面的前端代码，先以B站为例（豆瓣不能直接爬，要加入head）
B站链接是：链接: /
然后我们按快捷键F12，或者鼠标右键然后选检查，都会出现前端代码，如下图
鼠标滑动到代码区的代码上面时，在页面上会显示代码对应的区域，如下图
我们先爬取所有的前端代码（后续再进行别的筛选）
import requests #导入url="/" #网址req=requests.get(url)req.encoding='utf-8'#定义编码格式为utf-8print(req.text)
运行结果就是我们刚刚看到的那些前端代码
然后尝试我们想要爬的网站：豆瓣读书TOP 250排行榜 /top250?start=
把代码直接替换发现无法输出结果
很多网站再申请访问的时候没有请求头访问会不成功，或者返回乱码，最简单的解决方式就是伪装成浏览器进行访问，这就需要添加一个请求头来伪装浏览器行为
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）
代码就变成了这样
import urllib.request, urllib.error # 制定URL，获取网页数据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）url="/top250?start="req=urllib.request.Request(url, headers=head)req = urllib.request.urlopen(req)html = req.read().decode('utf-8')print(html)
这样就能照常显示我们想要的所有的前端代码
top250的榜单在一页上面只能显示25本书，我们翻页找寻规律
第一页：
第二页：
第三页：
此时我们可以发现网址的规律
for i in range(0,10) #我们设置一个变量i代表页数url="/top250?start="+str(i*25)#第i页的网址
然后我们可以在前端代码里面找寻我们需要的数据例如书名，作者，评分，简介等等
利用find_all()函数返回在前端代码里面搜寻得到的数据，利用sheet进行excel表格的处理
最终代码如下：
# -*- coding: utf-8 -*-import requestsfrom bs4 import BeautifulSoupimport xlwtheaders = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'}col = ("书名","作者/出版社/年份/标价","评分","简介")book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象sheet = book.add_sheet('豆瓣图书Top250', cell_overwrite_ok=True) #创建工作表for i in range(0,4):sheet.write(0,i,col[i]) num=1 for i in range(0,10):url="/top250?start="+str(i*25)resp = requests.get(url,timeout=None,headers = headers)#目标网址中，每一页都以25的倍数递增，timeout=None，在网络不佳的时候一直等待soup = BeautifulSoup(resp.text,'html.parser')book_names = soup.find_all('div',class_='pl2')#书名authors = soup.find_all('p','pl')#作者/出版社/年份/标价scores = soup.find_all('span',class_='rating_nums')#评分introducts = soup.find_all('table',width="100%")#简介for book_name,author,score,introduct in zip(book_names,authors,scores,introducts):sheet.write(num,0,str("《%s》\n" % (book_name.find('a')['title'])))sheet.write(num,1,str("%s\n" % (author.get_text())))sheet.write(num,2,str("%s\n" % (score.get_text())))itd = introduct.find('span',class_='inq')if(itd != None): #因为有些图书没有简介sheet.write(num,3,str("\"%s\"\n" % (itd.get_text())))else:sheet.write(num,3,str("None\n"))num += 1book.save("豆瓣图书Top250.xls") #保存
