python简单爬虫

最近小组内部需要做一个简单小分享，不知道要分享什么，最后决定要做一次爬虫的小分享，哈哈，我也是一个初学者，于是就开始找资料，这里就把我一个简单小分享在这里描述一下

首先，我们要知道什么是爬虫，我的理解是：用代码模拟人的操作，去其他网站找到需要的东西，然后爬取下来

所以就需要先知道要爬取内容的网站地址，然后才能去爬取

这里是一个简单小爬虫：

# 1、简单爬虫,不做任何处理
import requests　　# 导入用来爬虫的包
URL="https://www.baidu.com"　　# 请求地址
req = requests.get(URL)　　# 开始请求
print(req.text)　　# 把请求的数据打印

View Code

这里是直接爬取了一个网页，没有做任何的处理，这肯定是不行的，这样数据还是需要我们自己从里面找。

所以这又把代码稍微改进了一点

 2、简单处理，抓取自己想要的东西
import requests
from bs4 import BeautifulSoup

URL = "https://www.biqiuge.com/paihangbang/"
req = requests.get(url=URL)
req_txt = req.text
bs = BeautifulSoup(req_txt, "html.parser")
for i in bs.find_all("div", class_="block bd"):
    print(i.text)

View Code

这里是爬取了笔趣阁的小说的排行，这样的数据其实我们就可以直接看懂了，直接可以使用了

你以为就这样结束了，不不不，没那么简单

总所周知，很多网站是反爬取的，这样我们就需要做一下简单的处理了，例如知乎网，我们像上面那样直接爬取就是不行的

所以，我们加入了一个请求头，其他更复杂的反爬取这里就不讲了

# 3、携带请求头
# 部分网站直接访问不通，需要加上请求头，如：知乎:
import requests

# 请求头字典
headers = {
    \'user-agent\': \'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36\'
}
# 在get请求内，添加user-agent
response = requests.get(url=\'https://www.zhihu.com/explore\', headers=headers)
print(response.status_code)  # 200
print(response.text)
with open(\'zhihu.html\', \'w\', encoding=\'utf-8\') as f:  #创建一个zhihu.html文件
    f.write(response.text)

View Code

那么文字的爬取就到这里了，其他的更深的我也不会

下面我在讲一下图片的爬取

# 简单的爬取图片，只爬取一张
import requests

# 这是一个图片的url
url = \'https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1596560238680&di=0b9fd395e131fc1df9d992b1c33f3c70&imgtype=0&src=http%3A%2F%2Ft7.baidu.com%2Fit%2Fu%3D3616242789%2C1098670747%26fm%3D79%26app%3D86%26f%3DJPEG%3Fw%3D900%26h%3D1350\'
response = requests.get(url)
# 获取的文本实际上是图片的二进制文本
img = response.content
# 将他拷贝到本地文件 w 写  b 二进制  wb代表写入二进制文本
with open(\'./a.jpg\', \'wb\') as f:
    f.write(img)

View Code

这个是一个简单爬取图片的代码，而且一次只能爬取一张，爬取之后再换URL，在爬取，还不如手动下载来的快

所以批量下载就来了

import re
import requests


def download(html):
    # 通过正则匹配
    pic_url = re.findall(\'"objURL":"(.*?)",\', html, re.S)
    i = 1
    for key in pic_url:
        print("开始下载图片：" + key + "\r\n")
        try:
            pic = requests.get(key, timeout=10)
        except requests.exceptions.ConnectionError:
            print(\'图片无法下载\')
            continue
        # 保存图片路径
        dir = \'保存路径\' + str(i) + \'.jpg\'
        fp = open(dir, \'wb\')
        fp.write(pic.content)
        fp.close()
        i += 1


def main():
    url = "https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=result&fr=&sf=1&fmq=1596723403215_R&pv=&ic=0&nc=1&z=&hd=&latest=&copyright=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&sid=&word=%E5%88%98%E4%BA%A6%E8%8F%B2"
    result = requests.get(url)
    download(result.text)


if __name__ == \'__main__\':
    main()

View Code

图片爬取也就这样了

下面我们来一下综合的，就是文字和图片都要爬取的，那就爬取一个豆瓣的电影排行榜吧

import json
import os
import requests
from bs4 import BeautifulSoup

# 请求头
headers = {
    \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36\'
}
# 请求URL
url = "https://movie.douban.com/ithil_j/activity/widget/987"
req = requests.get(url=url, headers=headers)

# 进行Unicode解码
req_txt = req.text.encode(\'utf8\').decode(\'unicode_escape\')

# 把接口返回的结果转换为dict
dict_req = json.loads(req_txt)

# 取出subjes
sub_list = dict_req[\'res\'][\'subjects\']

# 把subjes转换为dict
dd = {i: v for i, v in enumerate(sub_list)}

for j in dd.keys():
    title = dd[j][\'title\']
    cover = dd[j][\'cover\']
    rating = dd[j][\'rating\']
    url_sub = dd[j][\'url\']
    req_cover = requests.get(url=cover)
    req_rating = requests.get(url=url_sub, headers=headers)

    # 获取的文本实际上是图片的二进制文本
    img = req_cover.content

    # 创建文件夹
    b = os.getcwd()  # 返回当前进程的工作目录
    path = b + "/movie/" + str(rating) + title
    ispath = os.path.exists(path)  # 判断一个目录是否存在
    if ispath == False:
        os.makedirs(path)  # 创建目录
        os.makedirs(path + "/" + title + "演员")
        img_path = os.path.exists(path + "/" + title + \'.jpg\')
        # 将他拷贝到本地文件 w 写  b 二进制  wb代表写入二进制文本
        if img_path == False:
            with open(path + "/" + title + \'.jpg\', \'wb\') as f:
                f.write(img)

    # 找到简介的页面标签
    bf = BeautifulSoup(req_rating.text, "html.parser")
    text2 = bf.find(\'span\', property=\'v:summary\')

    # 把简介写入TXT文档
    file_handle = open(path + "/" + title + \'-简介.txt\', mode=\'w\', encoding=\'utf-8\')
    file_handle.write(text2.text)

    movie_title = bf.findAll(\'li\', class_=\'celebrity\')
    for m in movie_title:
        # movie_img = bf.findAll(\'div\', class_=\'avatar\')
        div_txt = m.findChild(\'div\')
        url_movie = div_txt[\'style\']
        url_mov = url_movie[22:-1]

        mov_img = requests.get(url_mov).content
        a_txt = m.findChild(\'a\')
        name = a_txt[\'title\']
        with open(path + "/" + title + "演员/" + name + \'.jpg\', \'wb\') as f:
            f.write(mov_img)

View Code

好了，本次的小分享就这样结束了