python爬虫

两周前，一位同学问小央，平时有没有写过技术类博客。小央大言不惭，随口就说下次可以尝试。

这不，自己挖的坑，哭也得填上。正巧，最近要统计自己的阅读记录，一个个看多费劲呀，如果能写个爬虫程序，自动化获取数据，岂不美哉。

一瓶不响半瓶晃荡，技术渣小央，刚有点小成绩的时候，就忍不住的要分享给小白们了。

一、爬虫思路

爬虫是指请求网站并获取数据的自动化程序，又称网页蜘蛛或网络机器，最常用领域是搜索引擎，它的基本流程是明确需求-发送请求-获取数据-解析数据-存储数据。

网页之所以能够被爬取，主要是有以下三大特征：

网页都有唯一的URL(统一资源定位符，也就是网址)进行定位

网页都使用HTML(定位超文本标记语言)来描述页面信息

网页都使用HTTP/HTTPS(超文本传输协议)协议来传输HTML数据

因此，只要我们能确定需要爬取的网页 URL地址，通过 HTTP/HTTPS协议来获取对应的 HTML页面，就能提取 HTML页面里有用的数据。

在工具的选择上，任何支持网络通信的语言都可以写爬虫，比如 c++、 java、 go、 node等，而 python则是用的最多最广的，并且也诞生了很多优秀的库和框架，如 scrapy、 BeautifulSoup 、 pyquery、 Mechanize等。

私信小编001 有神秘惊喜大礼包！

BeautifulSoup是一个非常流行的 Pyhon 模块。该模块可以解析网页，并提供定位内容的便捷接口。

但是在解析速度上不如 Lxml模块，因为后者是用C语言编写，其中 Xpath可用来在 XML文档中对元素和属性进行遍历。

综上，我们本次爬取工具选择 Python，使用的包有 requests、 Lxml、 xlwt、 xlrd，分别用于模拟账户登录、爬取网页信息和操作 Excel进行数据存储等。

二、实战解析

1. 模拟账户登录

因为要爬取个人账户下的读书列表，我们首先要让 Python创建用户会话，用于在跨请求时保存Cookie值，实现从客户端浏览器连接服务器开始，到客户端浏览器与服务器断开。

其次要处理请求头 Header，发送附带账户名和密码的 POST请求，并获取登陆后的 Cookie值，保存在会话里。

登陆进去之后，我们就可以长驱直入进行爬虫了;否则，它就会因请求不合法报错。

代码示例

# 1. 创建session对象，可以保存Cookie值ssion = requests.session()# 2. 处理 headersuser_agent='Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'headers={'User-Agent':user_agent}# 3. 需要登录的用户名和密码data = {"email":"豆瓣账户名XX", "password":"豆瓣密码XX"}# 4. 发送附带用户名和密码的请求，并获取登录后的Cookie值，保存在ssion里ssion.post("https://www.douban.com/accounts/login", data = data)respon=ssion.get(url,headers=headers)

2. 分析网页结构

进入读书页面，右键选择“检查”，可以看到如下界面：当鼠标定位在某一行代码时，就会选中左侧对应模块。

所有图书内容的标签，存放在一个类名为 id="content"的div盒子， class="subject-item"的li盒子。

同样方法，我们也可以找到书名、作者、出版社、何时读过、评论信息，分别对应哪些标签。

最终，我们通过CSS路径提取来提取对应标签数据。

代码示例

#因为每页有15本书，所以这里做了个循环for tr in trs: i = 1 while i <= 15: data = [] title = tr.xpath("./ul/li["+str(i)+"]/div[2]/h2/a/text()") info = tr.xpath('./ul/li['+str(i)+']/div[2]/div[1]/text()') date = tr.xpath('./ul/li['+str(i)+']/div[2]/div[2]/div[1]/span[2]/text()') comment = tr.xpath('./ul/li['+str(i)+']/div[2]/div[2]/p/text()')

3. 自动翻页，循环爬取

因为要爬取历史读书清单，当爬完一页的时候，需要程序能够实现自动翻页功能。

一种方法是让它自动点击下一页，但这个学习成本有点高，吃力不讨好;另一种方法，就是寻找网页之间的规律，做个循环即可。

以央之姑娘的豆瓣账户为例：很容易发现网页之间的区别仅在于start值不同，第一页的 start=0.第二页 start=15.以此类推，最后一页，即19页的 start=(19-1)*15=270.

找到这样的规律就很容易实现Python自动翻页功能，条条大路通罗马，适合自己的就是最好的。

代码示例

def getUrl(self): i = 0 while i < 271: url = ('https://book.douban.com/people/81099629/collect?start='+str(i)+'&sort=time&rating=all&filter=all&mode=grid') self.spiderPage(url) i += 15

4. 数据存储

数据存储有很多种方法，因为数据量不大，用Excel即可满足，具体方法就不在这里赘述了。

代码示例

def __init__(self): self.f = xlwt.Workbook() # 创建工作薄 self.sheet1 = self.f.add_sheet(u'央之姑娘', cell_overwrite_ok=True) # 命名table self.rowsTitle = [u'编号',u'书名', u'信息', u'读过日期', u'评论'] # 创建标题 for i in range(0. len(self.rowsTitle)): # 最后一个参数设置样式 self.sheet1.write(0. i, self.rowsTitle[i], self.set_style('Times new Roman', 220. True)) # Excel保存位置 self.f.save('C://Users//DELL//央之姑娘.xlsx')

def set_style(self, name, height, bold=False): style = xlwt.XFStyle() # 初始化样式 font = xlwt.Font() # 为样式创建字体 font.name = name font.bold = bold font.colour_index = 2 font.height = height style.font = font return style

三、效果演示

前面讲了爬虫的原理和方法，那么接下来我们就展示一下具体效果：

附录：完整代码

from lxml import etree

import requests

import xlwt

import xlrd

class douban(object):

def __init__(self):

self.f = xlwt.Workbook() # 创建工作薄

self.sheet1 = self.f.add_sheet(u'央之姑娘', cell_overwrite_ok=True) # 命名table

self.rowsTitle = [u'编号',u'书名', u'信息', u'读过日期', u'评论'] # 创建标题

for i in range(0. len(self.rowsTitle)):

# 最后一个参数设置样式

self.sheet1.write(0. i, self.rowsTitle[i], self.set_style('Times new Roman', 220. True))

# Excel保存位置

self.f.save('C://Users//DELL//央之姑娘.xlsx')

def set_style(self, name, height, bold=False):

style = xlwt.XFStyle() # 初始化样式

font = xlwt.Font() # 为样式创建字体

font.name = name

font.bold = bold

font.colour_index = 2

font.height = height

style.font = font

return style

def getUrl(self):

#自动翻页

'''

url = ('https://book.douban.com/people/81099629/collect?start=0&sort=time&rating=all&filter=all&mode=grid')

self.spiderPage(url)

'''

i = 0

while i < 271:

url = ('https://book.douban.com/people/81099629/collect?start='+str(i)+'&sort=time&rating=all&filter=all&mode=grid')

self.spiderPage(url)

i += 15

def spiderPage(self,url):

if url is None:

return None

try:

data=xlrd.open_workbook('C://Users//DELL//央之姑娘.xlsx')

table=data.sheets()[0]

rowCount=table.nrows#获取行数

# 1. 创建session对象，可以保存Cookie值

ssion = requests.session()

# 2. 处理 headers

user_agent='Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'

headers={'User-Agent':user_agent}

# 3. 需要登录的用户名和密码

data = {"email":"豆瓣账户名XX", "password":"豆瓣密码XX"}

# 4. 发送附带用户名和密码的请求，并获取登录后的Cookie值，保存在ssion里

ssion.post("https://www.douban.com/accounts/login", data = data)

respon=ssion.get(url,headers=headers)

htmltext=respon.text

s = etree.HTML(htmltext)

trs = s.xpath('//*[@id="content"]/div[2]/div[1]')

m=0

for tr in trs:

i = 1

while i <= 15:

data = []

title = tr.xpath("./ul/li["+str(i)+"]/div[2]/h2/a/text()")

info = tr.xpath('./ul/li['+str(i)+']/div[2]/div[1]/text()')

date = tr.xpath('./ul/li['+str(i)+']/div[2]/div[2]/div[1]/span[2]/text()')

comment = tr.xpath('./ul/li['+str(i)+']/div[2]/div[2]/p/text()')

title=title[0] if title else ''

info=info[0] if info else ''

date=date[0] if date else ''

comment=comment[0] if comment else ''

data.append(rowCount+m)

data.append(title)

data.append(info)

data.append(date)

data.append(comment)

i += 1

for n in range(len(data)):

self.sheet1.write(rowCount+m,n,data[n])

m+=1

print(m)

print(title, info, date, comment)

finally:

self.f.save('C://Users//DELL//央之姑娘.xlsx')

if '_main_':

qn=douban()

qn.getUrl()