如何用python做一个简单的爬虫

　　介绍

这篇文章给大家分享的是有关如何用python做一个简单的爬虫的内容。小编觉得挺实用的,因此分享给大家做个参考。一起跟随小编过来看看吧。

爬虫技术是一个获取信息和数据的重要手段。学习用python做一个简单的爬虫。

<强>爬虫主要分为两个部分:

获取数据

urllib内建模块(url.request)

请求第三方库

Scrapy框架

第三方的API

解析数据

BeautifulSoup库

再保险模块

<强>一。从网络上取的数据

简单的爬虫是可以使用请求库来完成的。

请求的基本使用方法

requests.get()用来请求指定URL位置的资源,对应的是HTTP协议的得到方法。

爬虫有各式各样的,做个简单的来玩耍一下,下面以爬豆瓣读书上《利用python进行数据分析》这本书的的书评作为例子。

最简单的爬回来一个页面

import 请求 　　 　　时间=r  requests.get (& # 39; https://book.douban.com/subject/25779298/comments/& # 39;) 　　with 开放(" # 39;D: \ demo.txt& # 39;,, & # 39; w # 39;), as 文件: 　　,,,file.writelines (r.text)

使用请求模块的得到方法,从网站上把一整个页面全都保存到了本地的D盘中的demo.txt文件中。这是一个极度简单的爬虫。其中请求本身自己还有许多属性和方法,可以去官网参考学习。如果需要把爬虫收集回来的数据保存到本地的话,还需要去了解一下文件操作和数据库操作的知识。

<强>二。把数据解析出来

一般的标签网页解析——BeautifulSoup

安装的时候要注意:Pyhton3要安装BeautifulSoup4才是正常使用的。

打开刚才生成的演示。txt文件,会发现文件中保存的是一整个页面的代码,内容十分复杂,所以需要去解析一下页面的内容,才能够把我们需要的短评抽取出来。我们先研究一下。

打开文件,或者在网页页面按F12进入调试模式会发现,短评基本上是在一个相同的类的p标签里面的

& lt; p 类=癱omment-content"在入门书,零基础看了这本书也能用python的熊猫和matplotlib进行一些简单的数据分析, 　　数据分析不在乎用什么工具,而是有目的地去找一y些洞察力,下一步我需要达到的效果是:如果产生一个想法, 　　能用工具快速验证(如数据预处理,绘出图标等)。;/p>

引入beautifulsoup来解析一下。要使用到的lxml解析包同样是需要安装的。

修改一下刚才的极简爬虫:

import 请求 　　得到bs4  import  BeautifulSoup 　　 　　时间=r  requests.get (& # 39; https://book.douban.com/subject/25779298/comments/& # 39;) 　　时间=bs  BeautifulSoup (r.text, & # 39; lxml # 39;) 　　时间=comments  bs.find_all (& # 39; p # 39;,, & # 39; comment-content& # 39;) 　　 　　with 开放(" # 39;D: \ demo1.txt& # 39;,, & # 39; w # 39;), as 文件: 　　,,,for  item 拷贝的评论: 　　,,,,,,,file.writelines (item.string)

激动的打开了演示。txt文件后,发现天呐撸,所有的评论都窝在一行了,我们要给他区分出来,并且换行,再简单也要有点可读性。

修改一下刚才的小爬虫:

file.writelines(时间+ item.string  & # 39; \ n # 39;)

只要写文件的时候加入这么一个简单的换行符,就可以把每个评论换行来看了,而不是挤成一坨。

复杂细节解析——正则表达式

玩玩爬完文字评论,可以发现,豆瓣本身还是有一个评星星等级的一个评价,把这个也爬下来作为一个数据收集起来。打开网页,F12找到这个评星星会发现,这个直接读取标签内的内容不一样,它是写在标签的类里面的。例如下面的五星推荐是allstar50,而一个四星评价是allstar40。

& lt; span 类=皍ser-stars  allstar50  rating", title=傲觥白４? lt;/span> 　　 　　& lt; span 类=皍ser-stars  allstar40  rating", title=巴萍觥白４? lt;/span>

这里就需要使用正则表达式来提取这种复杂的情况。因为不是所有人都有打分,把有分数都拿出来,然后给算一个平均值作为参考。

再让小爬虫变身一下:

import 请求 　　import 再保险 　　得到bs4  import  BeautifulSoup 　　 　　#,得到评论正文 　　时间=r  requests.get (& # 39; https://book.douban.com/subject/25779298/comments/& # 39;) 　　时间=bs  BeautifulSoup (r.text, & # 39; lxml # 39;) 　　时间=comments  bs.find_all (& # 39; p # 39;,, & # 39; comment-content& # 39;) 　　 　　#,得到评论的评分并计算总分和平均分 　　时间=rule  re.compile (& # 39; & lt; span 类=皍ser-stars 全明星([0 - 9]* ?),rating" & # 39;), #,配置匹配规则 　　comments_star =, re.findall(规则,r.text) 　　totalsocre =0 　　for  star  comments_star拷贝: 　　,,,totalsocre  +=, int(明星) 　　时间=avgsocre  totalsocre /, len (comments_star) 　　 　　with 开放(" # 39;D: \ demo1.txt& # 39;,, & # 39; w # 39;), as 文件: 　　,,,file.write(& # 39;此书的评价平均分(满50分):,,& # 39;,+,str (avgsocre), +, & # 39; \ n # 39;) 　　,,,for  item 拷贝的评论: 　　,,,,,,,file.write(时间+ item.string  & # 39; \ n # 39;)

如何用python做一个简单的爬虫