前言
python爬虫技术在java开发工作中属于工具性的技术属性，所以我这里就只从爬取一个网站的数据为例作为教学内容，具体的基础学习与其它的扩展知识内容，我会以链接的形式给出，若有兴趣可自行点击学习。
python基础知识教学
Python re.findall中正则表达式(.*?)和参数re.S使用
Python数据爬取超详细讲解（零基础入门，老年人都看的懂）
结合以上三篇与本篇内容，相信你可以快熟入门python爬虫
实战教学
我们本篇的目标是爬取2345天气王中的全国最差PM2.5排行榜中的数据
2345天气王地址
python爬取代码
# -*- codeing = utf-8 -*-
from bs4 import BeautifulSoup # 网页解析，获取数据
import re # 正则表达式，进行文字匹配`
import urllib.request, urllib.error # 制定URL，获取网页数据
import xlwt # 进行excel操作
#import sqlite3 # 进行SQLite数据库操作
findNum = re.compile(r'<div class="j-td">(.*)</div>') # 创建正则表达式对象，获取列表
findCity = re.compile(r'<a href=".*">(.*)</a>')# 获得城市 第一个.*表示这段字符匹配任意字符，(.*)表示拿到该处的值
findValue = re.compile(r' (\d*)') # 获得数值
findQuality = re.compile(r'<i class="wea-aqi wea-aqi-.*">(.*)</i>') # 获取空气质量等级
def main():
baseurl = "https://tianqi.2345.com/rank-pm25-rev.htm" #要爬取的网页链接
# 1.爬取网页
datalist = getData(baseurl)
print(datalist)
savepath = "国内城市PM2.5值.xls" #当前目录新建XLS，存储进去
# dbpath = "movie.db" #当前目录新建数据库，存储进去
# 3.保存数据
saveData(datalist,savepath) #2种存储方式可以只选择一种
# saveData2DB(datalist,dbpath)
# 得到指定一个URL的网页内容
def askURL(url):
head = { # 模拟浏览器头部信息，向豆瓣服务器发送消息
"User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122 Safari / 537.36"
}
# 用户代理，表示告诉豆瓣服务器，我们是什么类型的机器、浏览器（本质上是告诉浏览器，我们可以接收什么水平的文件内容）
request = urllib.request.Request(url, headers=head)
html = ""
try:
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
return html
# 爬取网页
def getData(baseurl):
datalist = [] #用来存储爬取的网页信息
html = askURL(baseurl) # 保存获取到的网页源码
# 2.逐一解析数据
soup = BeautifulSoup(html, "html.parser")
# ===拿到所有div class = ‘j-tr’的字段,城市PM2.5的数据===
for table in soup.find_all('div', class_="j-tr"): # 查找符合要求的字符串
data = [] # 设置数组用来保存单部电影所有信息
table = str(table)# 转化为String
num = re.findall(findNum, table) # 通过正则表达式查找我们想要得信息
print(num)
data.append(num)
# 获取城市
city = re.findall(findCity,table)
print(city)
data.append(city)
# 获得数值
value = re.findall(findValue,table)
for values in value:
if(values != ''):
print(values)
data.append(values)
# 获取空气质量等级
qualityre = re.findall(findQuality,table)
print(qualityre)
data.append(qualityre)
# cityAndValues = re.findall(findCityAndValue, table)
# print(cityAndValues)
# # 按照城市的正则表达式，这里会拿到两个数据，第一个为城市名称，第二个为PM2.5的值
# if (len(cityAndValues) == 2):
# city = cityAndValues[0]
# data.append(city)
print("====")
datalist.append(data)
return datalist
# 保存数据到表格
def saveData(datalist,savepath):
# 移除掉第一组空数据
datalist.pop(0)
print("save.......")
book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象
sheet = book.add_sheet('国内城市PM2.5值', cell_overwrite_ok=True) #创建工作表
col = ("序号","城市","PM2.5值","空气质量等级")
for i in range(0,4):
sheet.write(0,i,col[i]) #列名
for i in range(0, len(datalist)):
print("第%d条" %(i+1)) #输出语句，用来测试
data = datalist[i]
print(data)
for j in range(0,4):
print(data[j])
sheet.write(i+1,j,data[j]) #数据
book.save(savepath) #保存
if __name__ == "__main__": # 当程序执行时
# 调用函数
main()
# init_db("movietest.db")
print("爬取完毕！")
爬取效果
下面我根据代码，从下到下给大家讲解分析一遍
讲解
第一部分包的引入
# -*- codeing = utf-8 -*-
from bs4 import BeautifulSoup # 网页解析，获取数据
import re # 正则表达式，进行文字匹配`
import urllib.request, urllib.error # 制定URL，获取网页数据
import xlwt # 进行excel操作
#import sqlite3 # 进行SQLite数据库操作
正则表达式的编写（重要）
（.?）表示获取括号中的内容
. 表示匹配任意字符
正则表达式：即根据所要爬取的数据内容编写对应的正则表达式，是爬数据中最为重要的内容。
findNum = re.compile(r'<div class="j-td">(.*)</div>') # 创建正则表达式对象，获取列表
findCity = re.compile(r'<a href=".*">(.*)</a>')# 获得城市 第一个.*表示这段字符匹配任意字符，(.*)表示拿到该处的值
findValue = re.compile(r' (\d*)') # 获得数值
findQuality = re.compile(r'<i class="wea-aqi wea-aqi-.*">(.*)</i>') # 获取空气质量等级
下面为需要爬取数据的html格式。我们需要根据html格式来编写，匹配规则可以查考下面的地址。
Python re.findall中正则表达式(.*?)和参数re.S使用
设置爬取网页（格式较固定）
def main():
baseurl = "https://tianqi.2345.com/rank-pm25-rev.htm" #要爬取的网页链接
# 1.爬取网页
datalist = getData(baseurl)
print(datalist)
savepath = "国内城市PM2.5值.xls" #当前目录新建XLS，存储进去
# dbpath = "movie.db" #当前目录新建数据库，存储进去
# 3.保存数据
saveData(datalist,savepath) #2种存储方式可以只选择一种
# saveData2DB(datalist,dbpath)
设置请求投（用来模拟人为请求，格式固定）
# 得到指定一个URL的网页内容
def askURL(url):
head = { # 模拟浏览器头部信息，向豆瓣服务器发送消息
"User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122 Safari / 537.36"
}
# 用户代理，表示告诉被请求的服务器，我们是什么类型的机器、浏览器（本质上是告诉浏览器，我们可以接收什么水平的文件内容）
request = urllib.request.Request(url, headers=head)
html = ""
try:
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
except urllib.error.URLError as e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
return html
根据网站内容爬取数据（需要自己思考编写核心内容）
# 爬取网页
def getData(baseurl):
datalist = [] #用来存储爬取的网页信息
html = askURL(baseurl) # 保存获取到的网页源码
# 2.逐一解析数据
soup = BeautifulSoup(html, "html.parser")
# ===拿到所有div class = ‘j-tr’的字段,城市PM2.5的数据===
for table in soup.find_all('div', class_="j-tr"): # 查找符合要求的字符串
data = [] # 设置数组用来保存单个城市的所有信息
table = str(table)# 转化为String
num = re.findall(findNum, table) # 通过正则表达式查找我们想要得信息
print(num)
data.append(num)
# 获取城市
city = re.findall(findCity,table)
print(city)
data.append(city)
# 获得数值
value = re.findall(findValue,table)
for values in value:
if(values != ''):
print(values)
data.append(values)
# 获取空气质量等级
qualityre = re.findall(findQuality,table)
print(qualityre)
data.append(qualityre)
# cityAndValues = re.findall(findCityAndValue, table)
# print(cityAndValues)
# # 按照城市的正则表达式，这里会拿到两个数据，第一个为城市名称，第二个为PM2.5的值
# if (len(cityAndValues) == 2):
# city = cityAndValues[0]
# data.append(city)
print("====")
datalist.append(data)
return datalist
保存文件（较为固定，小改动）
# 保存数据到表格
def saveData(datalist,savepath):
# 移除掉第一组空数据
datalist.pop(0)
print("save.......")
book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象
sheet = book.add_sheet('国内城市PM2.5值', cell_overwrite_ok=True) #创建工作表
col = ("序号","城市","PM2.5值","空气质量等级")
for i in range(0,4):
sheet.write(0,i,col[i]) #列名
for i in range(0, len(datalist)):
print("第%d条" %(i+1)) #输出语句，用来测试
data = datalist[i]
print(data)
for j in range(0,4):
print(data[j])
sheet.write(i+1,j,data[j]) #数据
book.save(savepath) #保存
启动命令
if __name__ == "__main__": # 当程序执行时
# 调用函数
main()
# init_db("movietest.db")
print("爬取完毕！")
