神码ai火车头采集器伪原创【php源码】

网络爬虫全流程教学，从入门到实战（+bs4+存储文件）

是一个第三方库，用于向URL地址发起请求

bs4 全名 ，是编写 爬虫常用库之一，主要用来解析 html 标签。

一、爬虫编写过程解析 1.1 导入库文件（请求库、解析库）

#导入 requests请求库
import requests#导入bs4解析库
from bs4 import BeautifulSoup

1.2 发起对指定网页的请求

#对爬取网页的链接
url='请求地址'#请求头（作用：为了不被对方发现是爬虫的访问）
#去需要爬取网页上>打开开发者模式（F12）>网络（network）>随便点开一个文件>标头>请求头里的User-Agent
headers={'User-Agent': '请求头'}#发起get请求，获取请求内容，并用（utf-8）解码（编码一般是：utf-8，gbk，gb2312）
html=requests.get(headers=headers,url=url).content.decode('utf-8')

1.3 解析为 bs4格式

#解析为bs4,BeautifulSoup(html文本,'解析器')，如下表
soup=BeautifulSoup(html,'html.parser')

如果一段HTML或XML文档格式不正确的话，那么在不同的解析器中返回的结果可能是不一样的。

解析器使用方法优势

标准库

(html, “html.”)

1、的内置标准库 2、执行速度适中 3、文档容错能力强

lxml HTML

(html, “lxml”)

1、速度快 2、文档容错能力强

lxml XML

(html, [“lxml”, “xml”]) (html, “xml”)

1、速度快 2、唯一支持XML的解析器

(html, “”)

1、最好的容错性 2、以浏览器的方式解析文档 3、生成HTML5格式的文档

1.4 解析获取的内容（获取想要的数据）

#获取想要的网页标签（如div）
Tdiv=soup.find_all('div',class_="div的class样式名")#输出查找到的结构
print(Tdiv)

1.5 存储爬取的数据

#格式
with open('./文件路径/文件名.文件类型','权限') as f:f.write('字符型文本')

二、bs4核心函数

作用：获取，网页中的各个自己想要的标签，一般是从大标签到小标签的过程

操作案例百度

#导入库
from bs4 import BeautifulSoup
import requests#百度的url地址
url="https://www.baidu.com/"
#请求头（作用：为了不被对方发现是爬虫的访问）
hearders={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36 Edg/105.0.1343.53'}
#获取百度的请求
html=requests.get(url=url, headers=hearders).content.decode("utf-8")
#解析为bs4
soup = BeautifulSoup(html,"html.parser")

2.1 find()

查找符合条件的第一个标签，结果是标签对象

find( name , attrs/ , , , ** )

soup.find(‘标签名’，属性名=“属性”/=“类名”，=“是否只要子节点（默认False）”，=“标签内容”)

参数可以任意组合或只填写一个

①根据标签名定位第一个指定的标签

#查询出第一个p标签对象，并输出
print(soup.find('p'))#查询出第一个a标签对象，并输出
print(soup.find('a'))

②根据属性名定位满足条件的第一个标签

#查询class属性为’s-top-wrap s-isindex-wrap‘的任意标签
print(soup.find_all(class_='s-top-wrap s-isindex-wrap'))#查询id属性为s_top_wrap的所有标签，其他属性名照写
print(soup.find_all(id='s_top_wrap'))

③根据标签和标签属性定位

#查询class为’s-top-wrap s-isindex-wrap‘的一个div标签
print(soup.find('div',class_='s-top-wrap s-isindex-wrap'))#查询id为s_top_wrap的第一个div标签
print(soup.find('div',id='s_top_wrap'))

④根据指定的标签名和对应的标签内容定位

#查询到内容为“设置“的第一个span标签
print(soup.find('span',string="设置"))

2.2 ()

和find()函数用法一样，不同之处在于find()只返回满足条件的第一个标签对象，而()返回所有满足条件的标签对象，是一个列表。有时需要两个配合使用。

①根据标签名定位所有指定的标签

#查询所有是img的标签，返回的是一个列表
print(soup.find_all('img'))

②根据属性名定位所有满足条件的标签

#查询所有class属性为’s-top-wrap s-isindex-wrap‘的任意标签
print(soup.find_all(class_='s-top-wrap s-isindex-wrap'))#查询id属性为s_top_wrap的所有标签，其他属性名照写
print(soup.find_all(id='s_top_wrap'))

③根据指定的标签和对应的属性名定位所有满足条件的标签

#查询所有class属性为's-top-wrap s-isindex-wrap'的div标签
print(soup.find_all('div',class_='s-top-wrap s-isindex-wrap'))#查询所有id属性为's_top_wrap'的div的标签
print(soup.find_all('div',id='s_top_wrap'))

④根据指定的标签名和对应的标签内容定位

#查询内容为“设置“的所有span标签
print(soup.find_all('span',string="设置"))

2.3 ()

()函数也是定位所有满足条件的标签，返回值也是一个列表

①根据标签名定位

#查询所有是img的标签，返回的是一个列表
print(soup.select("img"))

②根据标签名和属性定位

#查询class属性为’s-top-wrap‘的所有标签
print(soup.select('.s-top-wrap'))#查询id属性为‘s_top_wrap'的所有标签
print(soup.select('#s_top_wrap'))#通过标签名和属性一起配合查询,其他属性直接写对应的属性如：a[hrsr='https']
print(soup.select('div[id="s_top_wrap"]'))

③定位对应的子标签

#查所有a标签下的img标签
print(soup.select('a>img'))

三、bs4基本操作

作用：获取标签中自己想要的内容，如：文字、图片链接、视频链接、音频链接等

注意：soup只是一个变量，就是你查询出来后新的获取范围

3.1 获取标签内的文本

#分别获取a标签和p标签内的文本内容（推荐第一种方式）
print(soup.a.text)
print(soup.p.string)

3.2 获取标签属性

#获取第一个div标签的所有属性
print(soup.div.attrs)

3.3 获取指定标签的属性值

#获取div标签中的class属性的值
print(soup.div.attrs.get('class'))#获取div标签中的id属性的值
print(soup.div.get('id'))#获取img标签中的src属性的值
print(soup.img.get('src'))

3.4 遍历获取的标签的属性值

#获取到所有的img标签,返回值为列表
imgs=soup.find_all('img')
for i in imgs:#img标签中src的值print(i['src'])

#获取到所有的img标签,返回值为列表
imgs=soup.find_all('img')
for i in imgs:#img标签中src的值print(i.get('src'))

3.5 获取指定标签内所有的元素

print(soup.p.contents)

3.6 获取标签的父标签

print(soup.a.parent)

四、存储数据

1、存储为：文本文档（txt）、表格（excel）、图片、音频、视频

2、写出媒体思路：①在网页上找到媒体链接；②保存媒体链接；③向媒体链接发起请求；④通过返回的请求内容下载媒体

3、注意：本章节只讲解写操作，写出什么文件写什么格式

4.1 with open() as f: 用法

#格式
with open('./文件路径/文件名.文件类型','权限') as f:f.write('字符型文本')

权限作用

写入，新的会覆盖旧的

写入，在末尾追加写入，不会覆盖旧的

wb

写入，以二进制的方式写入（图片、音频、视频）

4.2 写入为文本文档（txt）

#将变量里的内容写入到“文本.txt”文件中，没有"文本.txt"会自动创建
wb='我是被爬取下来的文字'
with open('文本.txt','w') as f:f.write(wb)

4.3 循环写入到文本文档中（txt）

#将列表里的内容循环到“文本.txt”文件中，没有"文本.txt"会自动创建
wb=['文本1','文本2','文本3','文本4']
for i in wb:with open('文本.txt','a') as f:f.write(i)

4.4 存储图片

#导入请求库
import requests#请求头
headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36 Edg/106.0.1370.42'}#图片地址列表
imgs=['https://img-blog.csdnimg.cn/a263ea6716ff44d4a2a825dbf26d2666.png','https://img-blog.csdnimg.cn/43112c81ed164acfb45295f516d08925.png']#为图片命名的变量
i=1#遍历图片地址
for img in imgs:#向图片地址发起请求，并且获取请求内容res=requests.get(url=img,headers=headers).content#写出图片（注意：权限是wb，写图片扩展名和获取的图片保存一致）with open(str(i)+'.png','wb') as f:#写出的参数为请求回来的内容f.write(res)i+=1
print("写出成功！")

4.5 存储视频

写出音频也是如此

#导入库
import requests#请求头
headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36 Edg/106.0.1370.42'}#视频地址
video='https://prod-streaming-video-msn-com.akamaized.net/3f6ca508-598d-4cbd-a3e2-43deea7bc377/b60c553e-9f3f-4164-8850-700a9a73a899.mp4'#发起请求
res=requests.get(url=video,headers=headers).content#写出视频
with open('视频.mp4','wb') as f:f.write(res)
print("写出成功！")

4.6 存储为excel

sheet.write（行，列，内容）

注意：行和列都是从0开始的，保存的格式为：.xls

#导入写出excel的库
import xlwt#写入的数据
tn=['姓名','性别','年龄']
wb=['玲华','女','18']
#1、创建Workbook对象，就是创建Excel文件
work_boot=xlwt.Workbook(encoding='utf-8');#2、创建sheet表单
sheet=work_boot.add_sheet('formName') #formName为表单名称#3、写入内容
for i in range(len(wb)):sheet.write(0,i,tn[i])   #write(行,列,内容)sheet.write(1,i,wb[i])#保存文件
work_boot.save("个人信息.xls")

五、爬虫实战操作

实战是需要自己去分析网页结构的，博主代码只是一种参考，还是要自己去分析。

5.1 百度热搜榜

获取标题、热度、简介、新闻链接、图片、文本保存为txt，并输出

注意：这里没有自动创建保存文件的文件夹，自行修改

#导入库文件
import requests
from bs4 import BeautifulSoup#请求头
headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36 Edg/106.0.1370.42'}
#请求地址
url='https://top.baidu.com/board?tab=realtime'def Hot_search():#发起请求html=requests.get(url=url,headers=headers).text;#解析为bs4res=BeautifulSoup(html,"html.parser")#获取类名获取指定的div（包含所有的新闻信息）news_div=res.find_all("div",class_="category-wrap_iQLoo horizontal_1eKyQ")#遍历div（提取每一个新闻）for new in news_div:try:#获取新闻的标题（标题在下标为0的地方，获取文本）title=new.find_all("div",class_="c-single-text-ellipsis")[0].text#获取新闻的热度（热度在下标为0的地方，获取文本）hot=new.find_all("div",class_="hot-index_1Bl1a")[0].text#获取新闻的简介（简介在下标为0的地方，获取文本）conent=new.find_all("div",class_="hot-desc_1m_jR small_Uvkd3 ellipsis_DupbZ")[0].text#获取新闻的链接（通过第一个a标签，的href属性获取）newUrl=new.find('a').attrs.get('href')#获取要下载的图片链接的img标签（标签在下标为0的地方）imgUrl=new.find_all("img")[0]#获取要下载的图片链接（通过img的src属性获取）imgUrl=imgUrl.attrs.get('src')print('\n'+'标题：' + str(title) + '\n' + '热度：' + str(hot) + '\n' + '简介：' + str(conent) + '\n' + '新闻链接：' + str(newUrl) + '\n\n')#请求图片img=requests.get(url=imgUrl,headers=headers).content#写出图片with open('./百度热搜/' + str(title.strip()) + '.png', 'wb') as f:f.write(img)#写出文本with open('./百度热搜/热搜文本.txt', 'a') as f:f.write('\n'+'标题：' + str(title) + '\n' + '热度：' + str(hot) + '\n' + '简介：' + str(conent) + '\n' + '新闻链接：' + str(newUrl) + '\n\n')except:continue;print('写出成功！')Hot_search()

5.2 爬取图片壁纸

注意：这里没有自动创建保存文件的文件夹，自行修改

import requests
from bs4 import BeautifulSoupheaders = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36 Edg/95.0.1020.40"
}def indexUrl():indexUrls = ['http://www.netbian.com/meinv/index.htm']for i in range(2,4):indexUrls.append('http://www.netbian.com/meinv/index_'+str(i)+'.htm')#保存图片链接imgUrls=[]#当作图片名字imgName=1;for i in indexUrls:html=requests.get(url=i,headers=headers).content.decode('gbk')soup=BeautifulSoup(html,'html.parser')Alable=soup.find('div',class_='list').find_all('a')# print(Alable)for i in Alable:#获取图片地址的后半段地址iUrlP=i.attrs.get('href')#去除无效地址if 'http' in iUrlP:continue;#将残缺的图片页面地址拼起来，形成完整图片页面地址imgUrlP= 'http://www.netbian.com' + iUrlP#向图片网页发起请求imgPage=requests.get(url=imgUrlP,headers=headers).content.decode('gbk')#将请求回来的源码转换为bs4soup=BeautifulSoup(imgPage,'html.parser')#获取图片链接地址imgUrl=soup.find_all('div',class_='pic')[0].find('img').attrs.get('src')#将图片地址保存到列表中（可以不存）imgUrls.append(imgUrl)#向图片地址发起请求imgget=requests.get(url=imgUrl,headers=headers).content;#下载图片with open('./壁纸/'+str(imgName)+'.jpg','wb') as f:f.write(imgget)imgName+=1;print('下载成功')indexUrl()

5.3 豆瓣电影 Top 250

结果保存到excel中的

import requests;
from bs4 import BeautifulSoup
import xlwt# https://movie.douban.com/top250?start=25&filter=
headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36 Edg/106.0.1370.42'}#获取翻页页面连接
def top250Urls():purls=[]urls=[]for i in range(0,25,25):url = 'https://movie.douban.com/top250?start='+str(i)+'&filter='purls.append(url)for purl in purls:html=requests.get(url=purl,headers=headers).content.decode('utf-8')soup=BeautifulSoup(html,'html.parser')movie_div = soup.find_all('div', class_='item')for movie in movie_div:movieUrl = movie.find_all("div", class_="pic")[0]movieUrl=movieUrl.find('a')movieUrl=movieUrl.attrs.get('href')urls.append(movieUrl)return urls,def Top250():moviesTop=[]urls=top250Urls()[0]for url in urls:html=requests.get(url=url,headers=headers).content.decode('utf-8')soup=BeautifulSoup(html,"html.parser")title=soup.find_all('span',property="v:itemreviewed")[0].text;move_info=soup.find_all('div',id="info")[0]performer=move_info.find_all('a',rel="v:starring")actors=[]for per in performer:actors.append(per.text)typeSpan=move_info.find_all('span',property="v:genre")types=[]for type in typeSpan:types.append(type.text)content = soup.find_all('span', property="v:summary")[0].text.strip('\n')movies={'title': title,'performer': actors,'type': types,'content': content}moviesTop.append(movies)WriteExcle(moviesTop)# return moviesTop;def WriteExcle(movies):try:#1、创建Workbook对象，就是创建Excel文件work_boot=xlwt.Workbook(encoding='utf-8');#2、创建sheet表单sheet=work_boot.add_sheet('formName') #formName为表单名称#3、写入Excel表头header=['电影名','演员','类型','电影简介'];for i in range(len(header)):sheet.write(0,i,header[i]);  #write(行,列,内容)#写入Excel内容for i in  range(len(movies)):sheet.write(i+1,0,movies[i]['title'])sheet.write(i+1, 1, movies[i]['performer'])sheet.write(i+1, 2, movies[i]['type'])sheet.write(i+1, 3, movies[i]['content'])#保存文件work_boot.save("小电影.xls")print('写入成功！')except:print('写入失败！')Top250()