pythonが豆瓣のページを登る例
pythonはすでに広く伝えられ、比較的に学びやすい解釈型言語として、現在は各方面で広く使われています。爬虫類は最もよく知っている応用です。今日はこの方面を重点的に紹介します。
python文法の簡単な紹介
pythonの基礎文法は大体c言語とあまり違いません。c言語の中の指針などの複雑な構造を省きましたので、pythonは初心者に最適な言語と言われています。基礎文法以外に、pythonはその巨大な第三者ライブラリからなります。その中には様々なモジュールが含まれています。モジュールに含まれる様々な関数と方法によって様々な機能を実現することができます。
python爬虫類の中で、私達が必要な標準倉庫はあります。 urllib e bs 4 xlwt
このうち、urllibライブラリはターゲットページのhtmlコードを登山するのを手伝ってくれます。bs 4のbeautiful soupモジュールとreライブラリの正規表現は私たちが必要とするデータをコードから抽出できます。xlwtライブラリはexcelテーブルにデータを保存して、最終的にデータの取得を完了します。
次に、今回紹介したポイントに入ります。完全に一つのページのデータを取得します。
この文章は豆板映画top 250のデータを登って取ることを例にして、登り取る過程を三つの部分に分けます。
1.ウェブページを登る
2.解析ページ
3.ウェブページを保存する
じゃ、始めましょう。
豆瓣top 250 URL:https://movie.douban.com/top250?start=
ホームページにアクセスしてください
urllibライブラリの基本的な操作はこのURLを参照することができます。
https://www.jb51.net/article/209542.htm
2.urlopen関数はこのページのhtmlコードを登り取るのを手伝ってくれます。
3.一部のウェブサイトでは、アンチウオーキングシステムを設定して、私たちの爬虫類を阻止しています。この時、私たちは頭の情報を設定して、ブラウザをシミュレーションしてウェブサイトにアクセスする必要があります。
ブラウザでこのウェブサイトにアクセスし、開発者モードを使って私たちが必要とするヘッダ情報を取得する必要があります。
4.最後に私達の登り外したhtmlコードをutf-8形式に変えて出力する必要があります。
ホームページを解析します
ページごとに解析を行い、解析したデータを私たちが次に使う正規表現で識別することができます。
正規表現とは、文字列を操作する論理式のことで、あらかじめ定義されている特定の文字やこれらの特定の文字の組み合わせで、「ルール文字列」を構成します。この「規則文字列」は文字列に対するフィルタ論理を表します。このフィルタリングによって、私たちが欲しい情報を得ることができます。スコア等の情報。
ホームページを保存します
解析したデータをエクセル表に保存します。
xlwtの基本操作はこのURLを参照することができます。
https://www.jb51.net/article/209536.htm
以上が完成品図です。
以上はpythonが豆瓣のホームページを登る例の詳しい内容です。pythonが豆瓣のページを登ることについての資料は他の関連記事に注目してください。
python文法の簡単な紹介
pythonの基礎文法は大体c言語とあまり違いません。c言語の中の指針などの複雑な構造を省きましたので、pythonは初心者に最適な言語と言われています。基礎文法以外に、pythonはその巨大な第三者ライブラリからなります。その中には様々なモジュールが含まれています。モジュールに含まれる様々な関数と方法によって様々な機能を実現することができます。
python爬虫類の中で、私達が必要な標準倉庫はあります。
次に、今回紹介したポイントに入ります。完全に一つのページのデータを取得します。
この文章は豆板映画top 250のデータを登って取ることを例にして、登り取る過程を三つの部分に分けます。
1.ウェブページを登る
2.解析ページ
3.ウェブページを保存する
じゃ、始めましょう。
豆瓣top 250 URL:https://movie.douban.com/top250?start=
ホームページにアクセスしてください
import urllib.request
urllibライブラリにあるrequestモジュールを導入します。urllibライブラリの基本的な操作はこのURLを参照することができます。
https://www.jb51.net/article/209542.htm
def askURL(url):
head = {
"User-Agent": "Mozilla / 5.0(Windows NT 10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 88.0.4324.182Safari / 537.36"
}#
request = urllib.request.Request(url,headers=head)
# url
response = urllib.request.urlopen(request)
# html
html = response.read().decode("utf-8")
# utf-8
#print(html) # html
return html
その中のurllib.request.Requestは私達のために登るウェブページのurlとその他のヘッダの情報を一緒に入れることができます。2.urlopen関数はこのページのhtmlコードを登り取るのを手伝ってくれます。
3.一部のウェブサイトでは、アンチウオーキングシステムを設定して、私たちの爬虫類を阻止しています。この時、私たちは頭の情報を設定して、ブラウザをシミュレーションしてウェブサイトにアクセスする必要があります。
ブラウザでこのウェブサイトにアクセスし、開発者モードを使って私たちが必要とするヘッダ情報を取得する必要があります。
4.最後に私達の登り外したhtmlコードをutf-8形式に変えて出力する必要があります。
ホームページを解析します
import re
from bs4 import BeautifulSoup
レクとbs 4ライブラリを導入する
def getData(baseurl):
datalist = [] #
for i in range(0,10):
url = baseurl + str(i*25)
# , 25 , 10 、
# url 25, , 10 url
html = askURL(url)
soup = BeautifulSoup(html,"html.parser")
# beautifulsoup html
# soup
ページごとに解析を行い、解析したデータを私たちが次に使う正規表現で識別することができます。
正規表現とは、文字列を操作する論理式のことで、あらかじめ定義されている特定の文字やこれらの特定の文字の組み合わせで、「ルール文字列」を構成します。この「規則文字列」は文字列に対するフィルタ論理を表します。このフィルタリングによって、私たちが欲しい情報を得ることができます。スコア等の情報。
findlink = re.compile(r'<a href="(.*?)" rel="external nofollow" >') # r
# ,
findImgSrc = re.compile(r'<img.*src="(.*?)"',re.S) #
findtitle = re.compile(r'<span class="title">(.*)</span>')
findscore = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
findjudge = re.compile(r'<span>(\d*) </span>')
findinq = re.compile(r'<span class="inq">(.*)</span>')
findbd = re.compile(r'<p class="">(.*?)</p>',re.S)
for item in soup.find_all("div",class_="item"):
# class “item” div , for
data = []
item = str(item) # item
link = re.findall(findlink,item)[0]
#
data.append(link)
# data
ImgSrc = re.findall(findImgSrc,item)[0]
data.append(ImgSrc)
title = re.findall(findtitle,item)
if len(title)==2:
# ,
ctitle = title[0]
data.append(ctitle)
otitle = title[1].replace("/","")
data.append(otitle)
else:
data.append(title[0])
data.append(" ")
score = re.findall(findscore,item)
data.append(score)
judge = re.findall(findjudge,item)
data.append(judge)
inq = re.findall(findinq,item)
if len(inq)!=0:
inq = inq[0].replace("。","")
data.append(inq)
else:
data.append("")
# , ; ,
bd = re.findall(findbd,item)[0]
bd = re.sub('<br(\s+)?/>(\s+)?'," ",bd)
bd = re.sub('/'," ",bd)
data.append(bd.strip()) #
datalist.append(data)
print(datalist)
return datalist
以上のコードは正則表現で必要なデータを取り出してdataリストに保存し、すべてのdataデータをdatalistリストに保存することができます。ホームページを保存します
解析したデータをエクセル表に保存します。
import xlwt
xlwtライブラリの導入xlwtの基本操作はこのURLを参照することができます。
https://www.jb51.net/article/209536.htm
def savepath(datalist):
workbook = xlwt.Workbook(encoding="utf-8")
# utf-8 workbook , excel
worksheet = workbook.add_sheet("sheetwdy")
# “sheetwdy”
col = (" ", " ", " ", " ", " ", " ", " ", " ")
#
for i in range(0, 8):
worksheet.write(0, i, col[i])
# excel
for i in range(0, 250):
print(" %d " % (i + 1))
data = datalist[i]
for j in range(0, 8):
worksheet.write(i + 1, j, data[j])
# for excel
workbook.save(" 250.xls")
# excel
これで解析したデータをエクセルに保存できます。以上が完成品図です。
以上はpythonが豆瓣のホームページを登る例の詳しい内容です。pythonが豆瓣のページを登ることについての資料は他の関連記事に注目してください。