python爬虫实战训练

前言：哇，今天终于能访问豆瓣了，前几天爬太多次了，网页都不让我访问了（要登录）。

先来个小练习试试手吧！

爬取豆瓣第一页（多页同上篇文章）所有电影的排名、电影名称、星级和评分，并用Excel存储

网址是：豆瓣电影 Top 250  大家先自己尝试一下吧，还是简单的，我就直接放代码了

import requests
from bs4 import BeautifulSoup
import pandas as pd
headers={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3"}
r=requests.get("https://movie.douban.com/top250",headers=headers)
if r.status_code!=200:raise Exception("error")
soup=BeautifulSoup(r.text,"html.parser")
datas=[['排名','电影名称','星级','评分']]
articles=soup.find_all('div',class_='item')
for article in articles:rank=article.find('em').get_text()title=article.find('span',class_='title').get_text()    #星级在class属性里,get('class')返回的是列表,因为HTML的class属性可以包含多个类名,因此BeautifulSoup将其存储为一个列表star=article.find('div',class_='bd').find('span').get('class')[0].replace('rating','').replace('-t','') #string的replace方法,只保留数字score=article.find('span',class_='rating_num').get_text()datas.append([rank,title,star,score])
df=pd.DataFrame(datas)
df.to_excel('doubanTop25.xlsx')

easy吧，不过，值得提一下的是，网页带小数星级的表示不准确，4.5星级为45

可以观察到star与score都在同一个div标签下，所以还可以用这两行代码代替

data=article.find('div',class_='bd').find('div').find_all('span')
star,score=data[0]['class'][0],data[1].get_text()      #这样star就是一整个字符

 爬取动态加载的网页

我们来试着爬取杭州今年5个月的天气数据（最近都是下雨，有点不喜欢哦，小小的毛毛细雨我觉得还好，但是大暴雨真是什么都不方便）

我们选择不同的月份，可以发现网页的url都没有发生改变，说明这个网页不是静态网页，它是后台异步加载的动态网页，我们表面不能知道它实际的链接的，那么我们需要抓包来进行分析。

右键，点击“检查”，点击“网络”

不要直接点击“重新加载页面”，那会加载大量页面弹出来一大堆。我们再次查询一个月份信息，发现后台会发送一个请求“GetHistoty……”

 点击“请求”进去看一下，可以发现“请求URL”与网页上方的url不是同一个，这个就是异步加载的，请求方式为“GET”。复制URL“？”前面的部分（后面是参数部分，都在负载里）为url

复制“请求标头”里的User-Agent，设置为headers用于反爬

这个网站的反爬做的有点好啊，还需要设置headers的Referer属性 ，也在请求标头里面，复制下来

 点击“负载”，前两项是杭州地区有关的编码，都是不会变的，下面两项就是查询的year与month。复制里面的内容为请求的参数（设为字典类型）

点击“响应”，看一下返回的结果是怎样的

可以看到响应是json类型的数据（JSON （JavaScript Object Notation）数据由键值对组成，类似于字典，是一种轻量级的数据交换格式） 

点击“预览”，可以看到格式化的展示，将鼠标移到data的值可以看到html的数据（截图没法展示，自行看），可以发现里面有个<table>标签 

“响应”里也能看到，不过“预览”可视化更好 

表格数据用pandas可以很容易地解析 

import requests
import pandas as pd
from io import StringIO
url='https://tianqi.2345.com/Pc/GetHistory'
headers={"User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/136.0.0.0 Safari/537.36 Edg/136.0.0.0','Referer':'https://tianqi.2345.com/wea_history/58457.htm'}
params={
"areaInfo[areaId]":58457,
"areaInfo[areaType]":2,
"date[year]":2025,
"date[month]":4
}
r=requests.get(url,headers=headers,params=params)     #请求头和参数都为字典类型
if r.status_code!=200:raise Exception('error')
data=r.json()["data"]         #r.json()方法会将返回的JSON格式的响应解析为一个Python对象(一般为字典/列表),我们取出‘data’键的值(是字符串)
data=StringIO(data)           #使用StringIO对象来包装HTML字符串，可以将字符串视为文件来读取
df=pd.read_html(data)[0]      #pd.read_html()方法可以解析一个网页中所有的表格,返回一个列表,里面的元素是DataFrame的数据结构
print(df)

这样我们单个的网页就爬取成功了，输出如下

 我们现在来爬取1-5月的数据，根据前面的分析，只需要将参数改一下就可以了

import requests
import pandas as pd
from io import StringIO
url='https://tianqi.2345.com/Pc/GetHistory'
headers={"User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/136.0.0.0 Safari/537.36 Edg/136.0.0.0','Referer':'https://tianqi.2345.com/wea_history/58457.htm'}
def craw_weather(month):params={"areaInfo[areaId]":58457,"areaInfo[areaType]":2,"date[year]":2025,"date[month]":month}r=requests.get(url,headers=headers,params=params)     if r.status_code!=200:raise Exception('error')data=r.json()["data"]data=StringIO(data)          df=pd.read_html(data)[0]      return df
lst=[]                #里面是每个月的df数据
for n in range(1,6):df=craw_weather(n)lst.append(df)
datas=pd.concat(lst)        #pd.concat()方法用于将多个Pandas对象(DataFrame或Series)沿着特定轴连接起来,非常灵活,可以用于行连接、列连接等多种操作
datas.to_excel('杭州1-5月天气数据.xlsx',index=False) #Pandas在将df保存为Excel时,会将df的索引作为单独的一列写入文件,设置index=False可以不包含索引列

展示如下，昨天的数据都有了

批量爬取正本小说

整本小说稍微有点多了，我们就拿番茄小说的top1为例吧，爬取前10章的内容，先批量爬取每一章的链接和章节名称，再根据链接爬取正文，最后将文章写到文件中去

网页地址为十日终焉完整版在线免费阅读_十日终焉小说_番茄小说官网

直接检索元素哈，可以发现所有章节都在特定的<div>标签下

文章内容也在特定<div>标签下

代码如下

import requests
from bs4 import BeautifulSoup
def get_urls():root_url='https://fanqienovel.com/page/7143038691944959011'r=requests.get(root_url)if r.status_code!=200:raise Exception('error')soup=BeautifulSoup(r.text,"html.parser")datas=[]n=0for chapter in soup.find('div',class_='chapter').find_all('a'):if n==10:breakdatas.append(['https://fanqienovel.com'+chapter['href'],chapter.get_text()])n+=1return datas
def get_chapter(url):r=requests.get(url)if r.status_code!=200:raise Exception('error')soup=BeautifulSoup(r.text,"html.parser")content=soup.find('div',"muye-reader-content noselect").get_text()return content
for urls in get_urls():url,title=urlswith open(f'{title}.txt','w',encoding='utf-8') as ch:      #写入文件ch.write(get_chapter(url))

展示如下

最后文章字符是乱码，因为网页源代码就是乱码的，主包也尝试了几种方法还是不能正常显示，‘gbk’好像可以显示繁体，也有可能是网页故意设计成反爬的，要特定的解码格式

那爬这个有什么用呢？ 有些盗版网站不是小广告很多嘛，那你就可以把文章爬下来看咯~