【重生之我是蜘蛛侠】手把手教你用python爬虫，跟着做就好了

news2024/10/6 18:27:09

💯 博客内容：【LeetCode训练营】用栈来实现队列+用队列来实现栈详解

😀 作者：陈大大陈

🚀 个人简介：一个正在努力学技术的准前端，专注基础和实战分享，欢迎私信！

💖 欢迎大家：这里是CSDN，我总结知识和写笔记的地方，喜欢的话请三连，有问题请私信 😘 😘 😘

获取豆瓣网页源码

怎么伪装成浏览器请求

怎么打印标题

最终代码

后记

首先要安装bs4这个第三方库。

打开pycharm的终端界面，输入pip install bs4即可安装。

我之前安装过，所以显示已安装。

第三步是导入requests库，没有的话也要安装，步骤和上面的一样，命令变为pip install requests

获取豆瓣网页源码

先获取网页源码，需要我们先导入requests库。

先试试直接获取，看能不能成功。

import requests
response=requests.get("https://movie.douban.com/top250")
print(response)
print(response.status_code)

结果如下。

打印出错误码，访问失败。

这是因为豆瓣网页识别出了我们的程序，而豆瓣网页只想服务于真正的用户。

那么我们接下来要做的就是将程序伪装成浏览器请求来伪装成用户。

怎么伪装成浏览器请求

首先随便打开一个网页。

右键点击检查。

找到网络选项，点击跳转到下面的页面。

接着刷新页面，页面变成下面这样。

随便点开一个，找到User-Agent选项。

复制它之后的内容。

我们创建一个叫headers的字典，它里面的键值对就是我们要传入的内容。

将代码升级为下面这样。

import requests
headers={
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/113.0.0.0 Safari/537.36 Edg/113.0.1774.42"
}
reponse=requests.get("https://movie.douban.com/top250",headers=headers)
print(reponse)
print(reponse.status_code)
print(reponse.text)

运行。

没有报错，访问成功。接下来打印源码。

print(response.text)

打印成功。

怎么打印标题

第二步就是从bs4中导入BeautifulSoup库

from bs4 import BeautifulSoup

将响应体里面的内容用一个html变量储存。

html=response.text

接下来把html传入 BeautifulSoup的构造函数来获取想要的信息。

第二个参数传入html.parser，它的含义是html解析器，代表正在解析html内容。

使用一个变量储存它。

接下来我们需要知道所查找信息的特点。

打开豆瓣网页，右键检查，选择小箭头，鼠标靠近电影名称。

我们发现标题都是span元素，且class属性都是title。

这样我们就可以使用BeautifulSoup的findAll方法，第一个标签传入标签名span，第二个标签传入class值。

all_titles=soup.findAll("span",attrs={"class":"title"})

findAll返回的是一个可迭代对象，我们来迭代一下它,打印出来如下所示。

我们不想要它的HTML标签，所以就只打印它的string属性。

print(title_string)

这次打印出来如下所示，我们也不想要它的原版标题，该怎么删除呢？

一个简单的if判断就能搞定。

title_string=title.string
if '/' not in title_string:
print(title.string)

这样，top25的电影就被我们打印出来了。

可我们想要的是top250。

继续找规律。

这是第一页的网址。

这是第二页的地址。

我们发现第一页和第二页的区别只在于start的值。

那我们就可以通过修改start的值加上for循环来达到目的。

最终代码

from bs4 import BeautifulSoup
import requests
headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/113.0.0.0 Safari/537.36 Edg/113.0.1774.42"}
for num in range(0,250,25):
    response=requests.get(f"https://movie.douban.com/top250?start={num}",headers=headers)
    # print(response)
    # print(response.status_code)
    html=response.text
    soup=BeautifulSoup(html,"html.parser")
    all_titles=soup.findAll("span",attrs={"class":"title"})
    for title in all_titles:
        title_string=title.string
        if '/' not in title_string:
            print(title_string)

爬虫虽好，不要贪杯哦，不然。。。