下面是一个简朴的爬虫实例，利用Python的requests库来发送HTTP请求，并利用lxml库来解析HTML页面内容。这个爬虫的目标是抓取一个电影网站，并提取每部电影的主义部分。
首先，确保你已经安装了requests和lxml库。假如没有安装，可以通过pip安装它们：
安装好lxml库后，就可以在Python代码中通过from lxml import etree来导入etree模块，并利用它提供的各种功能。
然后，我们可以编写如下的爬虫脚本：
- import re
- import fake_useragent
- import requests
- from lxml import etree
- if __name__ == '__main__':
- # UA伪装
- head = {
- "User-Agent": fake_useragent.UserAgent().random
- }
- fp = open("./douban", "w", encoding="utf8")
- # 1.url
- for i in range(0,250,25):
- url = "https://movie.douban.com/top250?start={i}&filter="
- # 2.发送请求
- response = requests.get(url, headers=head)
- # 3.获取想要的数据
- res_text = response.text
- # 4.数据解析
- tree = etree.HTML(res_text)
- # 定位所有的li标签
- li_list = tree.xpath("//ol[@class='grid_view']/li")
- for li in li_list:
- film_name = "".join(li.xpath(".//span[@class='title'][1]/text()"))
- director_actor_y_country_type = "".join(li.xpath(".//div[@class='bd']/p[1]/text()"))
- score = "".join(li.xpath(".//span[@class='rating_num']/text()"))
- quote = "".join(li.xpath(".//span[@class='inq']/text()"))
- new_str = director_actor_y_country_type.strip()
- y = re.match(r"([\s\S]+?)(\d+)(.*?)", new_str).group(2)
- country = new_str.rsplit("/")[-2].strip()
- types = new_str.rsplit("/")[-1].strip()
- director = re.match(r"导演: ([a-zA-Z\u4e00-\u9fa5·]+)(.*?)", new_str).group(1)
- try:
- actor = re.match(r"(.*?)主演: ([a-zA-Z\u4e00-\u9fa5·]+)(.*?)", new_str).group(2)
- except Exception as e:
- actor = "no"
- fp.write(film_name + "#" + y + "#" + country + "#" + types + "#" + director + "#" + actor + "#" + score + "#" + quote + "\n")
- print(film_name, score, quote, y, country, types, director)
- fp.close()
1.导入须要的库：
re: 用于正则表达式匹配。
fake_useragent: 用于天生随机的User-Agent，以模仿差别的浏览器访问，避免被网站识别为爬虫。
requests: 用于发送HTTP请求。
lxml.etree: 用于解析HTML文档，提取所需信息。
2.设置User-Agent：
利用fake_useragent.UserAgent().random天生一个随机的User-Agent，并存储在head字典中，作为HTTP请求头的一部分。
3.打开文件：
利用open(“./douban”, “w”, encoding=“utf8”)以写入模式打开（或创建）一个名为douban的文件，用于存储抓取的电影信息。
4.循环请求豆瓣电影Top 250页面：
通过循环，每次请求豆瓣电影Top 250页面的一个子集，start参数从0开始，每次增加25，直到250（但不包罗250，由于range的竣事值是开区间）。
5.发送HTTP请求：
利用requests.get(url, headers=head)发送GET请求，请求头中包罗之前设置的User-Agent。
6.解析HTML文档：
利用etree.HTML(res_text)将响应的文本内容解析为HTML文档。
通过XPath表达式//ol[@class=‘grid_view’]/li定位全部包罗电影信息的li标签。
7.提取电影信息：
遍历每个li标签，提取电影名称、导演/演员/年份/国家/范例、评分、简介等信息。
利用正则表达式处理director_actor_y_country_type字符串，以提取年份、国家和范例。
留意，这里对演员信息的提取利用了异常处理，假如正则表达式匹配失败（例如，某些电影信息中可能没有演员信息），则将演员设置为"no"。
8.写入文件：
将提取的电影信息拼接成字符串，并写入之前打开的文件中，每条信息占一行。
9.关闭文件：
循环竣事后，关闭文件。
这里我们截取了部分输出结果的信息，可以看到已经成功爬取电影网站中的部分信息，这个简朴的爬虫示例展示了如何发送HTTP请求、解析HTML内容以及提取所需信息的基本流程。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
