爬蟲又稱為網頁蜘蛛，是一種程序或腳本。
但重點在於，它能夠按照一定的規則，自動獲取網頁信息。
爬蟲的基本原理——通用框架
1.挑選種子URL；
2.講這些URL放入帶抓取的URL列隊；
3.取出帶抓取的URL，下載並存儲進已下載網頁庫中。此外，講這些URL放入帶抓取URL列隊，進入下一循環。
4.分析已抓取列隊中的URL，並且將URL放入帶抓取URL列隊，從而進去下一循環。
5.注意：光理論是不夠的。這里順便免費送大家一套2020最新python入門到高級項目實戰視頻教程，可以去小編的Python交流.裙 ：七衣衣九七七巴而五（數字的諧音）轉換下可以找到了，還可以跟老司機交流討教！
爬蟲獲取網頁信息和人工獲取信息，其實原理是一致的。
如我們要獲取電影的“評分”信息
人工操作步驟：
1.獲取電影信息的網頁；
2.定位（找到）要評分信息的位置；
3.復制、保存我們想要的評分數據。
爬蟲操作步驟：
1.請求並下載電影頁面信息；
2.解析並定位評分信息；
3.保存評分數據。
爬蟲的基本流程
簡單來說，我們向服務器發送請求后，會得到返回的頁面，通過解析頁面后，我們可以抽取我們想要的那部分信息，並存儲在指定文檔或數據庫中，這樣，我們想要的信息會被我們“爬”下來了。
python中用於爬蟲的包很多，如bs4，urllib，requests等等。這里我們用requests+xpath的方式，因為簡單易學，像BeautifulSoup還是有點難的。
下面我們就使用requests和xpath來爬取豆瓣電影中的“電影名”、“導演”、“演員”、“評分”等信息。
安裝requests和lxml庫：
pip install requests pip install lxml
一、導入模塊
#-*- coding:utf-8 -*- import requests from lxml import etree import time #這里導入時間模塊，以免豆瓣封你IP
二、獲取豆瓣電影目標網頁並解析
爬取豆瓣電影《神秘巨星》上的一些信息，地址
https://movie.douban.com/subject/26942674/?from=showing
#-*- coding:utf-8 -*- import requests from lxml import etree import time url = 'https://movie.douban.com/subject/26942674/' data = requests.get(url).text s=etree.HTML(data) #給定url並用requests.get()方法來獲取頁面的text，用etree.HTML() #來解析下載的頁面數據“data”。
1.獲取電影名稱。
獲取電影的xpath信息並獲得文本
s.xpath('元素的xpath信息/text()')
這里的xpath信息要手動獲取，獲取方式如下：
1.如果你是用谷歌瀏覽器的話，鼠標“右鍵”–>“檢查元素”；
2.Ctrl+Shift+C將鼠標定位到標題；
3.“右鍵”–>“Copy”–>“Copy Xpath”就可以復制xpath。
這樣，我們就把電影標題的xpath信息復制下來了。
//*[@id="content"]/h1/span[1]
放到代碼中並打印信息
#-*- coding:utf-8 -*-
import requests
from lxml import etree
import time
url = 'https://movie.douban.com/subject/26942674/'
data = requests.get(url).text
s=etree.HTML(data)
film_name = s.xpath('//*[@id="content"]/h1/span[1]/text()')
print("電影名:",film_name)
這樣，我們爬取豆瓣電影中《神秘巨星》的“電影名稱”信息的代碼已經完成了，可以在eclipse中運行代碼。
得到如下結果：
電影名: ['神秘巨星 Secret Superstar']
OK，邁出了第一步，我們繼續抓取導演、主演、評分；
film_name=s.xpath('//*[@id="content"]/h1/span[1]/text()')#電影名
director=s.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')#編劇
actor1=s.xpath('//*[@id="info"]/span[3]/span[2]/a[1]/text()')#主演1
actor2=s.xpath('//*[@id="info"]/span[3]/span[2]/a[2]/text()')#主演2
actor3=s.xpath('//*[@id="info"]/span[3]/span[2]/a[3]/text()')#主演3
actor4=s.xpath('//*[@id="info"]/span[3]/span[2]/a[4]/text()')#主演4
movie_time=s.xpath('//*[@id="info"]/span[13]/text()')#片長
觀察上面的代碼，發現獲取不同主演時，區別只在於“a[x]”中“x”的值不同。實際上，要一次性獲取所有主演信息時，用不加數字的“a”即可獲取。
如下：
actors = s.xpath('//*[@id="info"]/span[3]/span[2]/a/text()')#所有主演
所以我們修改好的完整代碼如下：
#-*- coding:utf-8 -*-
import requests
from lxml import etree
import time
url1 = 'https://movie.douban.com/subject/26942674/'
data = requests.get(url1).text
s=etree.HTML(data)
film_name=s.xpath('//*[@id="content"]/h1/span[1]/text()')#電影名
director=s.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')#編劇
actor=s.xpath('//*[@id="info"]/span[3]/span[2]/a/text()')#主演
movie_time=s.xpath('//*[@id="info"]/span[13]/text()')#片長
#由於導演有時候不止一個人，所以我這里以列表的形式輸出
ds = []
for d in director:
ds.append(d)
#由於演員不止一個人，所以我這里以列表的形式輸出
acs = []
for a in actor:
acs.append(a)
print ('電影名:',film_name)
print ('導演:',ds)
print ('主演:',acs)
print ('片長:',movie_time)
結果輸出：
電影名: ['神秘巨星 Secret Superstar'] 導演: ['阿德瓦·香登'] 主演: ['塞伊拉·沃西', '梅·維賈', '阿米爾·汗', '拉傑·阿晶', '提斯·沙馬', '卡比爾·謝赫', '法如克·賈法爾', '馬努傑·沙瑪', '莫娜·安伯加卡爾', '尼基塔·阿南德', '尚', '莫納利·塔庫爾'] 片長: ['150分鍾']
怎么樣，是不是很簡單啊。趕快去試試吧~~~
這里順便補充點基礎知識：
Requests常用的七種方法：
目前，我們只需要掌握最常用的requests.get()方法就好了。
requests.get()的使用方法
import requests url = 'https://www.baidu.com' data = requests.get(url)#使用get方法發送請求，返回汗網頁數據的Response並存儲到對象data 中
Repsonse對象的屬性：
data.status_code：http請求的返回狀態，200表示連接成功；
data.text：返回對象的文本內容；
data.content：猜測返回對象的二進制形式；
data.encoding：返回對象的編碼方式；
data.apparent_encoding：響應內容編碼方式。
最后注意：光理論是不夠的。這里順便免費送大家一套2020最新python入門到高級項目實戰視頻教程，可以去小編的Python交流.裙 ：七衣衣九七七巴而五（數字的諧音）轉換下可以找到了，還可以跟老司機交流討教！
本文的文字及圖片來源於網絡加上自己的想法,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯系我們以作處理。