TBlogPython 爬虫入门
爬虫四步骤：获取数据、解析数据、提取数据、存储数据
获取数据
requests 模块
python
import requests
url = 'https://c.y.qq.com/base/fcgi-bin/fcg_global_comment_h5.fcg'
headers = {
'origin':'https://y.qq.com',
# 请求来源
'referer':'https://y.qq.com/n/yqq/song/004Z8Ihr0JIu5s.html',
# 请求来源，携带的信息比“origin”更丰富
'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36',
# 标记了请求从什么设备，什么浏览器上发出
}
# 伪装请求头
# 请求歌曲评论的url参数的前面部分
for i in range(5):
params = {
'g_tk':'5381',
'needmusiccrit':'0',
'pagenum':str(i),
'pagesize':'15',
'lasthotcommentid':'song_102065756_3202544866_44059185',
'domain':'qq.com',
}
# 将参数封装为字典
res_comments = requests.get(url,params=params,headers=headers)
# 调用get方法，下载这个字典
json_comments = res_comments.json()
list_comments = json_comments['comment']['commentlist']
for comment in list_comments:
print(comment['rootcommentcontent'])
print('-----------------------------------')
# 好像最好关闭，否则会保持多个连接，容易被封
res_comments.close()
Response 对象常用属性/方法
| 属性方法 | 含义 |
|---|---|
| res.status_code | 响应状态码 |
| res.content | 转为二进制数据，用于图像音视频 |
| res.text | 字符串数据 |
| res.encoding | 指定编码方式 utf-8，gbk |
| res.json() | 将 response 转为字典/列表 |
解析数据
解析数据让 Python 看得明白 HTML
BeautifulSoup
python
import requests
from bs4 import BeautifulSoup
res = requests.get('https://localprod.pandateacher.com/python-manuscript/crawler-html/spider-men5.0.html')
# 把网页解析为BeautifulSoup对象，第2个参数是解析器
soup = BeautifulSoup(res.text,'html.parser')
提取数据
BeautifulSoup 对象 & Tag 对象
BeautifulSoup 对象
| 方法 | 作用 | 语法 | 示例 |
|---|---|---|---|
| find() | 提取满足要求的首个数据 | BeautifulSoup 对象.find(标签,属性) | soup.find('div',class_='books') |
| find_all() | 提取满足要求的所有数据 | BeautifulSoup 对象.find_all(标签,属性) | soup.find_all('div',class_='books') |
Tag 对象
| 属性/方法 | 作用 |
|---|---|
| Tag.find()和 Tag.find_all() | 提取 Tag 中的 Tag |
| Tag.text | 提取 Tag 中的文字 |
| Tag['属性名'] | 提取 Tag 中这个属性的值 |
python
# 返回一个Tag类对象
item = soup.find('div')
# 返回一个ResultSet类的对象。
# 其实是Tag对象以列表结构储存了起来
# 可以把它当做列表来处理
items = soup.find_all('div')
存储数据
csv 模块
| b | + | b+ | ||
|---|---|---|---|---|
| r(read,读) | r 只读，指针在开头，文件不存在则报错 | rb 二进制只读 | r+读写 | rb+二进制读写 |
| w(write,写) | w 只写，文件不存在则新建，存在则覆盖 | wb 二进制只写 | w+读写 | wb+二进制读写 |
| a(append,追加) | a 追加，文件存在指针放在末尾，不存在则新建 | ab 二进制追加 | a+追加且可读 | ab+二进制追加且可读 |
写文件
py
import csv
csv_file = open('demo.csv','w',newline='',encoding='utf-8')
# 创建csv文件，文件名“demo.csv”、写入模式“w”、
# newline='',避免表格的行与行之间出现空白行
# encoding='utf-8'。
writer = csv.writer(csv_file)
# 用csv.writer()函数创建一个writer对象
writer.writerow(['电影','豆瓣评分'])
writer.writerow(['银河护卫队','8.0'])
csv_file.close()
读文件
py
import csv
csv_file = open('demo.csv','r',newline='',encoding='utf-8')
reader = csv.reader(csv_file)
for row in reader:
print(row)
openpyxl 模块
写文件
py
import openpyxl
wb = openpyxl.Workbook()
# 创建新的workbook（工作簿）对象，就是创建新的空的Excel文件
sheet = wb.active
# wb.active就是获取这个工作簿的活动表，通常就是第一个工作表。
sheet.title = 'new title'
# 给工作表重命名
sheet['A1'] = '漫威宇宙'
row = ['美国队长','钢铁侠','蜘蛛侠']
sheet.append(row)
rows = [['美国队长','钢铁侠','蜘蛛侠'],['是','漫威','宇宙', '经典','人物']]
#先把要写入的多行内容写成列表，再放进大列表里，赋值给rows。
for i in rows:
sheet.append(i)
wb.save('Marvel.xlsx')
读文件
py
wb = openpyxl.load_workbook('Marvel.xlsx')
sheet = wb['new title']
sheetname = wb.sheetnames
print(sheetname)
A1_cell = sheet['A1']
A1_value = A1_cell.value
print(A1_value)