html获取 python 爬虫 python爬取本地html

前言

        前短时间，为了验证公司的验证码功能存在安全漏洞，写了一个爬虫程序爬取官网图库，然后通过二值分析，破解验证码进入系统刷单。 其中，整个环节里关键的第一步就是利用 Python 爬虫技术就是拿到数据。

“某瓣电影”开刀啦，O(∩_∩)O哈哈~

        通过本篇，你将学会破解【身份鉴别】类的反爬虫程序，并利用 BeautifulSoup 解析静态的HTML页面，还有使用 xlwt 插件操作 Excel。

本文仅教学使用，无任何攻击行为或意向。

---

正文

一、页面分析

1. 打开页面，提取关键信息

        首先，打开“某瓣电影一周新片榜”的页面：https://movie.douban.com/chart，截图省略了下面列表部分。

        然后，提取榜单里的关键信息，如：电影名，图片链接，详情链接，评分，评论数等，这是我们需要爬取的数据，接下来就需要弄清楚他们在 Html 中的位置。

2. 分析Html页面

        Chrome浏览器 - 【F12】检查下 Html 页面结构，找到排行榜数据的具体位置，这对我们后续利用 BeautifulSoup 解析至关重要。

        下面图片里可以看到，TOP10榜单信息在 “<div class="indent"></div>” 标签里，而每一条记录都在 “<tr class="item"></tr>” 标签里，10条 “<tr></tr> ”标签形成一个List集合。

3. BeautifulSoup准备

        BeautifulSoup 就是 Python 的一个 HTML 或 XML 的解析库，利用 BeautifulSoup 解析器可以把 HTML 标签和属性变得像对象那样获取，正式利用这点，我们才能方便地从网页中提取数据。

        简单介绍一下 BeautifulSoup 的解析器，通常Python 标准库 - “html.parser”就够用了：

 4. 结果展示

        开发好 python 爬虫代码后，爬取成功后的 csv 数据，如下：

---

二、代码讲解

1. 导入关键库

# -*- codeing = utf-8 -*-
from bs4 import BeautifulSoup           # 网页解析
import os.path                          # 文件操作
import urllib.request, urllib.error     # URL操作，获取网页数据
import xlwt                             # excel操作

2. 发送URL请求

baseurl = "https://movie.douban.com/chart"
    head = {
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122  Safari / 537.36"
    }
    request = urllib.request.Request(baseurl, headers=head)
    response = urllib.request.urlopen(request)
    html = response.read().decode("utf-8")
    print(html)

3. BeautifulSoup解析数据

# 1.利用 BeautifulSoup 标准库，解析页面信息
    soup = BeautifulSoup(html, "html.parser")
    # 2.获取所有 class_="item" 的 <tr></tr>
    for item in soup.find_all('tr', class_="item"):        
        # <tr>标签下第一个<td>标签下第一个<a>标签内“title”的值
        print(item.td.a["title"])
        # <tr>标签下第一个<td>标签下第一个<a>标签内“href”的值
        print(item.td.a["href"])
        # <tr>标签下第一个<td>标签下第一个<img>标签内“src”的值
        print(item.td.img["src"])
        # <tr>标签下第一个属性 class_='rating_nums' 的<span>标签的文本的值
        print(item.find('span', class_='rating_nums').text)
        # <tr>标签下第一个属性 class_='pl' 的<span>标签的文本的值
        print(item.find('span', class_='pl').text)
        # <tr>标签下第一个<p>标签的文本的值
        print(item.p.text)

4. 保存数据

        这里用到的是 xlwt 包，将数据写入 csv 保存到当前程序目录，用法和Java里的EasyUI很类似。

# 创建workbook对象
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)  
    # 创建工作表
    sheet = book.add_sheet('豆瓣新片榜', cell_overwrite_ok=True)  
    col = ("影片中文名", "电影详情链接", "图片链接", "评分", "评价数", "电影概况")
    book.save("豆瓣新片榜.xls")

5. 完成代码

        预下载好相应的插件，直接运行就可以了。

# -*- codeing = utf-8 -*-
from bs4 import BeautifulSoup           # 网页解析
import os.path                          # 文件操作
import urllib.request, urllib.error     # URL操作，获取网页数据
import xlwt                             # excel操作


# 获取原始 html 网页
def readHtml():
    print("—————————— Read ——————————")
    # 要爬取的网页链接
    baseurl = "https://movie.douban.com/chart"
    # 模拟浏览器头部信息，向豆瓣服务器发送消息
    # 用户代理，表示告诉豆瓣服务器，我们是什么类型的机器、浏览器（本质上是告诉浏览器，我们可以接收什么水平的文件内容）
    head = {
        "User-Agent": "Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit / 537.36(KHTML, like Gecko) Chrome / 80.0.3987.122  Safari / 537.36"
    }
    request = urllib.request.Request(baseurl, headers=head)
    response = urllib.request.urlopen(request)
    html = response.read().decode("utf-8")

    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html

# 从 html 页面爬取数据
def getData(html):
    print("—————————— Process ——————————")
    datalist = []           # 用来存储爬取的网页信息
    # 1.逐一解析数据
    soup = BeautifulSoup(html, "html.parser")           # BeautifulSoup解析页面信息
    soup.prettify()
    for item in soup.find_all('tr', class_="item"):     # 查找符合要求的字符串
        data = []           # 保存一部电影所有信息
        # 2.生成一条记录
        data.append(item.td.a["title"])
        data.append(item.td.a["href"])
        data.append(item.td.img["src"])
        data.append(item.find('span', class_='rating_nums').text)
        data.append(item.find('span', class_='pl').text)
        data.append(item.p.text)
        # 3. 存入list
        datalist.append(data)
    return datalist

# 保存数据到表格
def saveData(datalist, savepath):
    print("—————————— save ——————————")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)   # 创建workbook对象
    sheet = book.add_sheet('豆瓣新片榜', cell_overwrite_ok=True)   # 创建工作表
    col = ("影片中文名", "电影详情链接", "图片链接", "评分", "评价数", "电影概况")
    for i in range(0, len(col)):
        sheet.write(0, i, col[i])           # 列名
    for i in range(0, len(datalist)):
        # print("第%d条" %(i+1))             # 输出语句，用来测试
        data = datalist[i]
        for j in range(0, len(col)):
            sheet.write(i+1, j, data[j])    # 数据
    if os.path.exists(savepath):
        os.remove(savepath)
    book.save(savepath)                     # 保存
    pass

if __name__ == "__main__":
    print("—————————— 开始执行 ——————————")
    # 1. 读取uri
    html = readHtml()
    # 2. 处理Html数据
    data = getData(html)
    # 3. 保存数据
    saveData(data, "豆瓣新片榜.xls")
    print("—————————— 爬取完毕 ——————————")

---