定义askURL方法来获取指定网页源码信息，askURL中需要重新定义head头部信息，用来伪装浏览器信息，防止网站反爬程序识别报错418。 如果没有设置头部信息，使用Python程序对网站进行爬取显示user-agent信息为： 这样很容易被反爬系统识别，这个是访问的httpbin.org测试网站，试一下豆瓣网：报错418，被发现我们是爬虫。 头部代理信息我们可以在打开网页的源代码中找到
修改头部代理再来测试爬取豆瓣网源码
#绕过反爬 # url="http://httpbin.org/get" #url="http://httpbin.org/post" url="http://douban.com" headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3947.100 Safari/537.36" }#加入用户代理信息 伪装身份 req=urllib.request.Request(url=url,headers=headers) response =urllib.request.urlopen(req) print(response.read().decode("utf-8"))爬取成功 askURL方法代码
def askURL(url):#得到指定的一个网页内容 #模拟浏览器头部信息，向豆瓣服务器发送消息 ''' head={ #用户代理，表示告诉服务器我们是什么类型的机器、浏览器（告诉浏览器我们可以接收什么水平的信息） "User - Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 69.0.3947.100Safari / 537.36" } '''#注意UserAgent的格式与网页上的格式，否则报错418 head = { # 用户代理，表示告诉服务器我们是什么类型的机器、浏览器（告诉浏览器我们可以接收什么水平的信息） "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 69.0.3947.100Safari / 537.36" } request=urllib.request.Request(url,headers=head) html="" try: response=urllib.request.urlopen(request) html=response.read().decode("utf-8") #print(html) except urllib.error.URLError as e: if hasattr(e,"code"): print(e.code) if hasattr(e,"reason"): print(e.reason) return html得到网页源代码以后，要分析源代码，需要从源代码中剥离我们需要的内容。
#baseurl = "https://movie.douban.com/top250?start=" for i in range(0,10):#调用获取网页函数10次 url=baseurl+str(i*25)#start后依次为0、25、50……225 html=askURL(url)#保存获取到的网页源码我们经过分析网页网址格式已经知道，250部电影信息分布在10个网页，每个网页有25部电影信息，所以需要循环10次调用获取网页源码的方法。
先分析网页源代码：
发现每个li,/li中间是一部电影的信息，然后点进第一个li，发现主体就是div class=“item”，然后就用到了我们的BeautifulSoup模块中的解析器.
解析网页需要用到BeautifulSoup模块
soup= BeautifulSoup(html, "html.parser") for item in soup.find_all('div',class_="item"): #查找符合要求的字符串，形成列表 #print(item) #测试查看电影所有信息 #class是一个类别所以加一个_ data=[] #保存一部电影的所有信息 item=str(item)这是爬取到的一部电影的item源代码
<!DOCTYPE html> <div class="item"> <div class="pic"> <em class="">1</em> <a href="https://movie.douban.com/subject/1292052/"> <img alt="肖申克的救赎" class="" src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg" width="100"/> </a> </div> <div class="info"> <div class="hd"> <a class="" href="https://movie.douban.com/subject/1292052/"> <span class="title">肖申克的救赎</span> <span class="title"> / The Shawshank Redemption</span> <span class="other"> / 月黑高飞(港) / 刺激1995(台)</span> </a> <span class="playable">[可播放]</span> </div> <div class="bd"> <p class=""> 导演: 弗兰克·德拉邦特 Frank Darabont 主演: 蒂姆·罗宾斯 Tim Robbins /...<br/> 1994 / 美国 / 犯罪 剧情 </p> <div class="star"> <span class="rating5-t"></span> <span class="rating_num" property="v:average">9.7</span> <span content="10.0" property="v:best"></span> <span>2154144人评价</span> </div> <p class="quote"> <span class="inq">希望让人自由。</span> </p> </div> </div> </div>通过分析第一步电影的网页源代码，我们来获取其中更精确的符合我们要求的信息。 首先举例获取电影的网页链接：
findLink=re.compile(r'<a href="(.*?)">') #创建正则表达式对象，表示规则（字符串的模式）影片链接规则↑ #(.*?)表示一个组——中间的网址，提取源码中的电影链接 link=re.findall(findLink,item)[0]#re库通过正则表达式查找指定字符串的第一个符合条件的 data.append(link)#将搜索到的网址添加到data中同样的我们来获取更多我们所需要的信息，电影图片、电影名称、评分、点评人数、一句话概括、电影概述等等…… 只需要编写相应的正则表达式来提取对应信息即可。
findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)#re.S忽略换行符 #影片图片的规则↑ findTiTle=re.compile(r'<span class="title">(.*)</span>') #影片片名↑ findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>') #影片评分↑ findJudge=re.compile(r'<span>(\d*)人评价</span>')#有0-多个数字（\d*） #影片评价人数↑ findInq=re.compile(r'<span class="inq">(.*)</span>') #一句话评价↑ findBd=re.compile(r'<p class="">(.*?)</p>',re.S)#影片相关内容有换行，记得re.S #影片相关内容↑正则表达式怎么得到的？用影片片名的表达式来说明 这是电影片名的源代码，所以正则表达式要求匹配除了电影名以外的字符串。
<span class="title">肖申克的救赎</span>及正则表达式为：（前面加r的目的是为了不让中间出现的/进行转义，肖申克的救赎用(.*)来代替，表示多个任意字符，其余的字符串直接匹配）
r'<span class="title">(.*)</span>'所以就得到匹配方法，方便提取信息的时候调用findTiTle。
findTiTle=re.compile(r'<span class="title">(.*)</span>')然后跟获取网页链接的方法一样，将得到的信息都存入data中，每部电影的所有信息都放入一个datalist[]中，总体的代码如下：
import bs4 #网页解析，获取数据 beautiful soup 4 import re #正则表达式，进行文字匹配 import urllib.request,urllib.error #制定URL import xlwt #进行excel操作 import sqlite3 #进行SQLite数据库操作 from bs4 import BeautifulSoup def main(): baseurl = "https://movie.douban.com/top250?start=" #爬取网页 datalist=getData(baseurl) savepath=".\\豆瓣电影Top250.xls" #解析数据 #保存数据 # datalist=getData(baseurl) # savepath=".\\豆瓣Top250.xls" # saveData(savepath) #askURL(baseurl) #中间有""所以用’‘可以不被影响，加r findLink=re.compile(r'<a href="(.*?)">')#?表示.*出现0次到1次 #创建正则表达式对象，表示规则（字符串的模式）影片链接规则↑ #(.*?)表示一个组——中间的网址，提取源码中的电影链接 #<a href="https://movie.douban.com/subject/1291546/"> 源码中的样子 findImgSrc=re.compile(r'<img.*src="(.*?)"',re.S)#re.S忽略换行符 #影片图片的规则↑ findTiTle=re.compile(r'<span class="title">(.*)</span>') #影片片名↑ findRating=re.compile(r'<span class="rating_num" property="v:average">(.*)</span>') #影片评分↑ findJudge=re.compile(r'<span>(\d*)人评价</span>')#有0-多个数字（\d*） #影片评价人数↑ findInq=re.compile(r'<span class="inq">(.*)</span>') #一句话评价↑ findBd=re.compile(r'<p class="">(.*?)</p>',re.S)#影片相关内容有换行，记得re.S #影片相关内容↑ def getData(baseurl):#爬取网页 datalist=[] for i in range(0,10):#调用获取网页函数10次 url=baseurl+str(i*25) html=askURL(url)#保存获取到的网页源码 #逐一解析 soup= BeautifulSoup(html, "html.parser") for item in soup.find_all('div',class_="item"): #查找符合要求的字符串，形成列表 #print(item) #测试查看电影所有信息 #class是一个类别所以加一个_ data=[] #保存一部电影的所有信息 item=str(item) #影片详情链接 link=re.findall(findLink,item)[0]#re库通过正则表达式查找指定字符串的第一个符合条件的 data.append(link) imgSrc=re.findall(findImgSrc,item)[0] data.append(imgSrc) titles=re.findall(findTiTle,item)#片名可能只有一个中文名，没有外国名 if(len(titles)==2): ctitle=titles[0] data.append(ctitle) #添加中国名 otitle=titles[1].replace("/","")#外文名前有个/，用replacce去掉/ data.append(otitle) #添加外文名 else: data.append(titles[0])#别的名 data.append(' ') #外文名留空 rating=re.findall(findRating,item)[0] data.append(rating)#添加评分 judgeNum=re.findall(findJudge,item)[0] data.append(judgeNum)#添加评价人数 inq=re.findall(findInq,item) if len(inq)!=0: inq=inq[0].replace("。","")#去掉句号 data.append(inq)#添加概述 else: data.append(" ")#留空 bd=re.findall(findBd,item)[0] bd=re.sub('<br(\s+)?/>(\s+)?'," ",bd)#去掉<br/> bd=re.sub('/'," ",bd)#替换/ data.append(bd.strip())#去掉前后空格 datalist.append(data)#把处理好的一部电影信息放入datalist print(datalist) return datalist def askURL(url):#得到指定的一个网页内容 #模拟浏览器头部信息，向豆瓣服务器发送消息 ''' head={ #用户代理，表示告诉服务器我们是什么类型的机器、浏览器（告诉浏览器我们可以接收什么水平的信息） "User - Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 69.0.3947.100Safari / 537.36" } '''#注意UserAgent的格式与网页上的格式，否则报错418 head = { # 用户代理，表示告诉服务器我们是什么类型的机器、浏览器（告诉浏览器我们可以接收什么水平的信息） "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 69.0.3947.100Safari / 537.36" } request=urllib.request.Request(url,headers=head) html="" try: response=urllib.request.urlopen(request) html=response.read().decode("utf-8") #print(html) except urllib.error.URLError as e: if hasattr(e,"code"): print(e.code) if hasattr(e,"reason"): print(e.reason) return html def saveData(savepath):#保存数据 print("save....") if __name__=="__main__": main()运行结果：可以看到得到了我们想要的结果。
