美文网首页
Hello World 级别爬虫教程

Hello World 级别爬虫教程

作者: 喝醉酒的咖喱鸡 | 来源:发表于2018-09-18 21:15 被阅读57次

    前言

    • 俗话说得好 “ 万事开头难”。小码哥学习爬虫的道路非常曲折。有多曲折?如同山路十八弯那样(一把辛酸泪) 。
    • 作为过来人,小码哥非常清楚并理解大家的需求。所以本教程不会一上来就介绍一堆很复杂的概念。
    • 小码哥保证:只要识字,就一定能教会你写出你第一只爬虫
      好了,废话不多说,咱们直接进入正题。

    对象

    写爬虫前,我们首先要明确对象是谁。连对象都没有,你还写什么爬虫?(无意中伤单身狗)这次小码哥将带着大家爬豆瓣电影

    说明

    1. Python版本: 2.7
    2. 所用到的库: urllib2、json、bs4
    3. 编辑器: 小码哥推荐大家使用Sublime Text 2

    爬虫之旅

    第一步 新建文件并导入相关库

    打开Sublime Text 2 ,新建一个.py文件,文件名随意。在编辑器中敲入以下代码,导入所需要的库。

    import urllib2
    import json
    from bs4 import BeautifulSoup
    

    第二步 定义标签变量及URL变量

    标签变量:存储电影标签,如 " 热门 " 、" 华语 "、" 喜剧 " 等。
    URL变量:存储对象地址

    tags = []
    url = 'https://movie.douban.com/j/search_tags?type=movie&source='
    

    第三步 爬取标签

    直白的说这一步就是告诉豆瓣电影,我们要爬取它,让它乖乖的把我们想要的东西交出来。

    request = urllib2.Request(url=url)
    response = urllib2.urlopen(request, timeout=20)
    result = json.loads(response.read())
    tags = result['tags']
    

    第四步 爬取电影详情

    这一步很第三部类似,不过这一步多了一个判断。为什么呢?因为标签数量是固定的,而每一个标签下的电影数量是不同的。我们需要让爬虫知道:

    1. 每个标签下的电影爬到哪里就代表全部爬完了
    2. 爬完一个标签后换继续爬取下一个标签下的电影
    3. 爬到哪里就意味着所以标签下的电影已经全部爬取完了
    movies = []
    for tag in tags:
        limit = 0
        while 1:
            url = 'https://movie.douban.com/j/search_subjects?type=movie&tag=' + \
                tag + '&sort=recommend&page_limit=20&page_start=' + str(limit)
            print url
            request = urllib2.Request(url=url)
            response = urllib2.urlopen(request, timeout=20)
            result = json.loads(response.read())
    
            result = result['subjects']
            # 当result为空时 说明这个标签已经爬取完了
            # 换下一个标签继续
            if len(result) == 0:
                break
            limit += 20
    
            for items in result:
                movies.append(items)
    

    第五步 保存结果,写入文件

    这一步就是将我们爬取下来的电影数据保存到一个文本文件中,便于我们后期使用。

    fw = open('hh.txt', 'w')
    for item in movies:
        tmp = ''
        for key, value in item.items():
            tmp += str(value) + ','
        fw.write(tmp[:-1]+'\n')
    
    fw.close()
    

    第六步 保存代码,并执行

    这一步就是将我们写好的代码保存,然后执行。代码运行结束后就可以在同路径下看到一个 "movies.txt" 文件,这就是我们爬取的电影数据。


    后记

    • 至此,本篇教程就结束了。在本篇教程中小码哥没有对相关知识进行解释,而是直接上代码,让大家复制、粘贴。小码哥这么做只是为了激发大家的学习兴趣,便于后期更深入的学习爬虫知识。
    • 如果大家对本教程里面相关内容有疑惑可以写在评论里,小码哥看到后会第一时间回复。
    • 若大家觉得本教程还不错,麻烦在右下角给小码哥点个喜欢,鼓励小码哥继续创作!

    相关文章

      网友评论

          本文标题:Hello World 级别爬虫教程

          本文链接:https://www.haomeiwen.com/subject/dwgmnftx.html