網路爬蟲流程總結

鶴城發表於2023-03-09
爬蟲

網路爬蟲的大體流程其實就是解析網頁，爬取網頁，儲存資料。三個方法，就完成了對網頁的爬取，並不是很困難。以下是自己對流程的一些理解和總結，如有錯誤，歡迎指正。

一、解析網頁，獲取網頁原始碼

首先，我們要了解我們要爬取的網頁，以豆瓣為例，我們要了解模擬瀏覽器頭部資訊，來偽裝成瀏覽器。以及爬取的內容是什麼，方便我們在後面爬取的過程中用正規表示式匹配內容，以便爬取。

首先我們開啟我們需要爬取的網頁，f12開啟開發者模式，在network中找到發出的請求，獲取我們想要的頭部資訊。

其中模擬瀏覽器的頭部資訊我們通常使用urllib庫，主要是裡面的request類。我們先定義一個物件req，然後獲取其中的頭部資訊，用urllib.request.Request方法對獲取的頭部資訊進行封裝並儲存到req物件中，程式碼如下：

req = urllib.request.Request(url=url,data=data,headers=headers,method="POST")

然後再用urllib.request.urlopen獲取網頁原始碼，程式碼如下

response = urllib.request.urlopen(req)

之後再設定一個物件進行儲存，程式碼如下：

 html = response.read().decode("utf-8")

總體程式碼：

import urllib.request
import urllib.parse
url = "http://httpbin.org/post"
data = bytes(urllib.parse.urlencode({"name":"eric"}),encoding='utf-8')
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36 Edg/110.0.1587.50",
    "X-Amzn-Trace-Id": "Root=1-63f48078-2f75544f15e5c54a7b905e25"
}
req = urllib.request.Request(url=url,data=data,headers=headers,method="POST")
response = urllib.request.urlopen(req)
#print(response.read().decode("utf-8"))
html = response.read().decode("utf-8")

因為我們爬取的網頁不止一頁，例如爬取豆瓣影視top250，京東評論，這些都會分頁，我們爬取會連續爬取很多頁，所以我們通常將這一步設為一個方法askUrl（），用於獲取單個指定url網頁的內容。另外，有些網頁會有相應的防禦措施，我們有可能會爬取失敗，所以，我們通常會try catch來保證程式碼能夠執行，整體程式碼如下：

def askUrl(url):
    head = {        #模擬瀏覽器頭部資訊，向豆瓣伺服器傳送訊息
        "User-Agent": "Mozilla / 5.0(Linux; Android 6.0; Nexus 5 Build / MRA58N) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 110.0.0.0 Mobile Safari / 537.36 Edg / 110.0.1587.50"
    }
            #使用者代理：告訴豆瓣伺服器我們是什麼型別的機器、瀏覽器，本質上是告訴伺服器，我們可以接受什麼樣的檔案內容
    request = urllib.request.Request(url,headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
        # print(html)
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)

    return html

另外，我們還要在網頁中找到我們需要爬取內容的標籤，同樣是開發者模式，點選箭頭，在網頁中選取要爬取的內容，在最下面就能看到所在的標籤層次。如下圖：

二、爬取網頁，解析資料

現在我們有了網頁的原始碼，但是我們想要的只是網頁內容的一部分，這時我們就需要解析網頁的資料，利用正規表示式匹配我們想要的內容，並將其儲存下來。這時我們主要用到bs4中的BeautifulSoup庫。我們首先定義一個物件soup，利用BeautifulSoup解析我們上一步獲得的網頁原始碼，並儲存在soup中，程式碼如下：

soup = BeautifulSoup(html,"html.parser")

隨後我們利用findall方法，查詢符合要求的字串。因為網頁大多是一個個div的組合，而且爬取的第一頁和之後的頁數都有一定的共性，所以我們直接for迴圈來爬取。這個時候就要我們自己上一步找所在的標籤了。這裡我用爬取豆瓣舉例，我先定義變數，再利用compile方法獲取想要內容的正規表示式並儲存在變數中。

#影片詳情的規則
findLink = re.compile(r'<a href="(.*?)"')

又因為爬取的內容比較多，所以我們設定getData方法，在方法中我們先定義一個列表，用來儲存我們爬取的資料，然後爬取一頁資料，放到for迴圈中爬取需要的頁數。

#影片詳情的規則
findLink = re.compile(r'<a href="(.*?)"')
#影片圖片的規則
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S)

def getData(baseurl):
    datalist = []
    for i in range(0,10):
        url = baseurl + str(i * 25)
        html = askUrl(url)

        # 2.逐一解析資料
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all("div",class_ = "item"):   #查詢符合要求的字串，形成列表
            # print(item)         #測試：檢視電影item全部資訊
            # break
            data = []

            item = str(item)
            #影片詳情的連結
            link = re.findall(findLink,item)[0]     #re庫透過正規表示式查詢指定的字串
            data.append(link)           #新增連結

            imgSrc = re.findall(findImgSrc,item)[0]
            data.append(imgSrc)         #新增圖片

            datalist.append(data)           #把處理好的一部電影資訊放入dataList

    # print(datalist)
    return datalist

這裡巢狀了for迴圈語句，實戰中如何巢狀來爬取需要的內容我認為是個難點，這裡需要我們多注意，多思考。

三、儲存資料

我們可以將資料儲存到excel和資料庫中，我以excel來舉例，其實都是大同小異。其中excel需要xwlt庫，我們先建立workbook物件，再利用其建立工作表：

    workbook = xlwt.Workbook(encoding="utf-8",style_compression=0)
    worksheet = workbook.add_sheet("豆瓣電影top250",cell_overwrite_ok=True)

然後我們在工作表中寫入資料：

    col = ("電影詳情連結","圖片連結","影片中文名","影片外國名","評分","評價數","概況","相關資訊")
    for i in range(0,8):
        worksheet.write(0,i,col[i]) #列名
    for i in range(0,250):
        print("第%d條"%(i+1))
        data = datalist[i]
        for j in range(0,8):
            worksheet.write(i+1,j,data[j])

這邊需要注意的是，如果儲存到資料庫中，將內容轉換切割又是一個難點，也需要我們多注意，多思考。之後我們儲存資料表即可：

    workbook.save(savepath)

通常我們把儲存資料單獨寫成一個方法，方便程式碼觀看和重用。

最後

我們在main方法中執行前面三個方法即可，我們就爬取了我們想要的內容。爬取的流程並不難理解，其中的難點在於對爬取內容的處理，例如如何找到爬取內容，如何匹配，如何分割儲存。另外想要看原始碼的可以看我這一篇部落格：
手把手教你網路爬蟲（爬取豆瓣電影top250，附帶原始碼）
兩篇部落格一起學習分析，才能更好的理解掌握，如果對程式碼中用的方法不理解，可以看我分類中python+爬蟲學習的模組，裡面記錄了我學習的過程和程式碼講解。還有我學習是看的b站課程：
Python課程天花板,Python入門+Python爬蟲+Python資料分析5天專案實操/Python基礎.Python教程，老師講的比我的部落格要細緻很多，我的部落格只是自己的總結理解，與大家交流學習。

相關文章