第一天学爬虫

阅读提示：我今天才开始尝试爬虫，写的不好请见谅。

一、准备工具

• requests库：发送HTTP请求并获取网页内容。
• BeautifulSoup库：解析HTML页面并提取数据。
• pandas库：保存抓取到的数据到CSV文件中。

二、爬取步骤

• 发送请求: 对于目标网页，使用requests.get()发送HTTP请求并获取网页的HTML内容。
• 解析HTML: 使用BeautifulSoup解析网页，并寻找包含信息的HTML元素。
• 提取数据: 找到合适的HTML标签和类名，提取信息。
• 分页爬取: 如果网站有分页，可以在代码中处理分页逻辑，循环抓取每一页的数据。
• 保存数据: 使用pandas或内置的文件写入功能，将抓取到的数据保存到CSV文件中。

三、爬虫代码

网页

<div class="pic"><em>1</em><a href="https://movie.douban.com/subject/1292052/"><img width="100" alt="肖申克的救赎" src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p480747492.webp"></a></div>
<div class="bd">                        
<p>                            
导演: 弗兰克·德拉邦特 Frank Darabont&nbsp;&nbsp;&nbsp;主演: 蒂姆·罗宾斯 Tim Robbins /...<br>                            
1994&nbsp;/&nbsp;美国&nbsp;/&nbsp;犯罪 剧情                        
</p><div>                            
<span class="rating5-t"></span>                            
<span class="rating_num" property="v:average">9.7</span>                            
<span property="v:best" content="10.0"></span>                            
<span>3148544人评价</span>                        
</div><p class="quote">                                
<span>希望让人自由。</span>                            
</p>                    
</div>

 爬虫代码：（我这里只爬虫了一部分）

from bs4 import BeautifulSoup
import requests
import pandas as pddef getFilm():try:# 添加请求头headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'}# 获取网页内容res = requests.get("https://movie.douban.com/top250?start=0&filter=",  headers=headers, timeout=10)res.encoding = 'utf-8'  # 修正编码设置# 解析网页soup = BeautifulSoup(res.text, 'html.parser')# 获取数据film_data=soup.find('div',class_='hd')if not film_data:print("未找到信息")print(res.status_code)  # 应该是200return Nonename=soup.find('span',class_='title').text.strip()score=soup.find('span',class_='rating_num').text.strip()word=soup.find('p',class_='quote')dictum=word.find('span').get_text()df=pd.DataFrame({'电影名':[name],'评分':[score],'寄语':dictum})return dfexcept Exception as e:print(f"发生错误: {e}")return Nonedef main():df= getFilm()  # 修正变量名if df is not None:print(df)  # 打印DataFrameelse:print("未能获取数据")if __name__ == '__main__':main()

四、拓展（设置请求头）

请求头（HTTP Headers）是客户端（如浏览器或爬虫）在发送 HTTP 请求时，附带的一组 键值对（Key-Value）信息，用于告诉服务器 你是谁、你想获取什么、以及如何返回数据。

请求头字段	示例值	作用
User-Agent	Mozilla/5.0 (Windows NT 10.0; Win64; x64)	告诉服务器你的浏览器或设备类型
Accept	text/html,application/xhtml+xml	告诉服务器你希望接收的数据类型
Accept-Language	zh-CN,zh;q=0.9	告诉服务器你希望返回的语言
Referer	https://www.google.com/	告诉服务器你从哪个页面跳转过来
Host	movie.douban.com	告诉服务器你要访问的域名
Cookie	sessionid=abc123	用于身份验证（如登录状态）
Connection	keep-alive	控制 TCP 连接是否保持
Accept-Encoding	gzip, deflate	告诉服务器你支持的压缩方式