Python零基础爬虫教学（实战案例手把手Python爬虫教学）

发表时间：2022-03-25来源：网络

【20210819更新】对不住大家，这个网站我没时间维护了，现在已经无法访问，可以用别的网站练手

前言

女朋友看了都能学会的爬虫教学

自己断断续续学习练习了两三年python爬虫，从网上看了无数教程，跟大神们学习了各种神奇的操作，现在虽然没成为大神，但是想通过这篇教程来分享自己学习的爬虫实战案例。

通过本教程，你将学会如何用Python爬虫从网络上爬取你想要的电影下载资源。本案例以00电影网为例进行爬取，当然你可以修改代码爬取你想要的任何内容。

如果你是零基础，请从头阅读，如果你有些基础，可以选择部分阅读。

第一章你需要的环境和软件

python3.5

既然我们是python爬虫，那必然需要python了。我用的是3.5.3版本

官方下载链接点这个链接并下拉翻到图中位置

点击红框里的链接进行下载，如果你是64位系统就点第一个，如果你是32位系统就点第二个

下载完成后是一个.exe文件，双击运行，开始安装，一路下一步就可以了，这里我没法一步步演示，如果遇到问题可以留言保证第一时间回答（我也从小白一路走过来，能体会遇到问题时的心情）

pycharm community 2017

这个呢是一个代码编辑器，可以大大提高编程效率

同样是去官网下载，并且community版本是免费的，完全够用

官网下载地址点进去之后如图所示

确保你选择了红框的位置，然后点击download就可以下载了

下载完成后双击打开安装程序，依然是一直点下一步就好了，当然也有一些自定义选项你可以自己选择

环境配置

到这里我们的软件就安装好了

接下来就是环境配置，这一步的目的是让pycharm和python配合

首先，为了实现爬虫程序，我们需要给python安装一些工具包，操作非常简单

在开始菜单搜索cmd并回车，打开终端命令行窗口

手动输入 pip3 install -------------- 并回车

本文案例中需要两个库安装如下

pip3 install requests

pip3 install Beautifulsoup4 这两句要分别运行，等一句安装成功了再运行另一句

然后等待安装，成功后会提示下图字样

第二章开始写python爬虫

问题分析

在做任何爬虫之前，我们都要先了解你爬取的网站的源码，根据源码来找到你想爬取的内容在什么位置

那么首先我们来看看目标网站的页面源码目标网站，点击这个网址打开网页，然后按F12键打开开发者模式，如图所示

图中，中间靠右侧的红色框里就是我们主要查看的内容，你要从这里面的代码中找到你想要的内容才可以进行爬取。

这里，我们的目标是搜索电影资源并保存下来。可以看到，网页中间有一个搜索框，输入电影名字点击搜索之后，会跳出搜索结果的页面，然后点击搜索结果就进入了该电影的详情页，并且有下载链接，如图所示

这里我们搜索的是霸王别姬。

由上述过程，可以明确我们要写一个Python爬虫程序，让爬虫来代替我们去搜索和获取电影的下载链接，这就是我们接下来编程的指导思想，告诉你的程序让他去做什么。

总结一下，我们的爬虫要做下面这几件事情：

1、打开目标网页

2、找到搜索框

3、提交搜索电影名并打开搜索结果页面

4、进入搜索电影详情页

5、找到下载链接位置并把所有链接保存到本地电脑上

编程实现爬虫

1、打开目标网页

打开pycharm左上角菜单栏以此点击file-->new project

在弹出的对话框中，设置项目路径，这里命名为spider，然后点击create

稍等几秒项目就建立完成了，这时候在左边资源管理器栏会出现spider项目文件夹，在spider上面右键-->new-->Python file来创建一个python程序脚本文件，命名为spider

然后就可以开始教我们的爬虫做事了

复制下面代码到spider.py中

# 导入之前安装的库 import requests from bs4 import BeautifulSoup # 首先定义以个变量url并赋值为目标网站'http://www.0011kytt.com'以及要搜索的电影名movie_name # 注意引号，字符串必须用引号包围起来 movie_name = '霸王别姬' url = 'http://www.0011kytt.com' # 然后用request.get()来获取网页 r = requests.get(url) # 这里要根据网页的编码来设置解码，这个目标网站编码为'utf-8' r.encoding = 'utf-8' # 然后获取网页源码并赋值给变量html html = r.text # 最后打印出网页源码 print(html)

然后右键spider.py脚本文件，点击 run 'spyder.py' 即可运行

运行结果在下面控制台栏显示，如图所示

可以看到我们的爬虫乖乖爬到了网页的源码，跟浏览器中按F12得到的是一样的，这一步大功告成。

2、找到搜索框

这一步就要指挥我们的小爬虫根据刚才得到的源码去找搜索框了

小爬虫它怎么会知道搜索框在哪里呢，当然是我们告诉它啊，那我们怎么知道呢，OK，回到浏览器按F12，在红框源码部分把鼠标指针放上去挨着找，鼠标指针位置对应的网页部分会变灰色，点击源码上的小三角可以展开所有内容，方便我们查找，如图所示

咦，找到了耶，好神奇有没有

现在我们知道了原来搜索框在这个网页源码的这个部分，OK，去告诉那个智障小爬虫

# 这里利用BeautifulSoup库来解析网页的源码并赋值给soup，方便后面的寻找 soup = BeautifulSoup(html, "lxml") # 因为我们已经知道搜索框在一个叫的地方 # 所以根据class="search_box"来找就好了 # 注意，因为class是python关键字，所以这里要用class_，这是BeautifulSoup的规定 search_box = soup.find(class_='search_box') # OK 打印出来看看找得对不对 print(search_box)

复制这段代码到spider.py中，粘贴到上一段代码后面，然后跟上面一样点击运行，得到结果如图

不得了了，这个智障爬虫已经学会找到搜索框了，OK，这一步又大功告成

3、提交搜索电影名并打开搜索结果页面

我们的小爬虫长进不小，继续教他怎么把电影名字填进搜索框然后点击搜索

再回到浏览器F12界面，我们再来找填电影名的位置以及搜索按钮的位置，如图

苏菲玛索也太好看了吧忍不住截出来给大家看看乌蝇哥乱入这网页做的什么鬼

说正事

我们已经找到输入位置和搜索按钮位置分别在和中

另外，我们研究一下这个网站的搜索功能，先随便搜索一个霸王别姬吧，说姬不说吧文明你我他，如图

从图中看到，网站链接变了，搜索页面变为了php文件，记录下这个url

还不赶紧告诉你的智障爬虫，作为父亲就得手把手教他

# 网站搜索页面的url为http://www.0011kytt.com/search/search.php search_url = 'http://www.0011kytt.com/search/search.php' # 从网页源码里看到输入位置的input中有个name='keywords' # 这个keywords就是用来记录我们输入电影名的变量 # 于是，我们构造以下变量，用来让爬虫往搜索框填电影名 formdata = {'type': 'text', 'keywords': movie_name} # requests.post就可以把formdata填进搜索框，并得到搜索结果页面赋值给r_r r_r = requests.post(search_url, formdata) # 同样需要解码 r_r.encoding = 'utf-8' # 获取网页源码并赋值给变量html r_html = r_r.text # 打印看看对不对 print(r_html)

复制代码到spider.py中，贴在上一段代码后面，然后运行，得到结果如下图

哎哟，不得了了，我们的爬虫会自己搜索了呢！

从图中可以看到，霸王别姬的详情页链接就在的中，那就好办了呀，直接让爬虫获取链接并打开

# 首先还是用BeautifulSoup库来解析网页的源码 r_soup = BeautifulSoup(r_html, "lxml") # 再根据class_='item_pic'找到所有搜索结果，有可能搜索到多个匹配的结果 movie_div_list = r_soup.find_all(class_='item_pic') # 创建一个空的列表movie_url_list来存储搜索结果的详情页链接 movie_url_list = [] # 因为有可能搜索到多个匹配的结果 # 所以这里用一个循环来获取所有搜索结果的电影详情页链接 for movie_div in movie_div_list: # 对每一个搜索结果，找到其中的href里存着的详情页链接 movie_url = movie_div.a.attrs['href'] # 把详情页链接存到movie_url_list中 movie_url_list.append(movie_url) # OK 打印看看所有搜索结果的详情页链接 print(movie_url_list)

同上点击运行，结果如下

可以看到列表中只有一个链接，因为霸王别姬搜索结果只有一个。。。

4、进入搜索电影详情页

这一步很简单，只要request详情页链接得到详情页源码，跟我们去浏览器手动F12得到的源码比较一下，如果一样那就说明成功了

同上复制到spider.py并运行得到结果如下（篇幅限制截图一部分）

然后到霸王别姬的详情页霸王别姬按F12查看源码，比较之后完全一样，这一步又大功告成，你的智障爬虫离幼儿园毕业只差一步了！

5、找到下载链接位置并把所有链接保存到本地电脑上

这一步，我们要指挥爬虫去爬取详情页的所有下载链接并保存到自己电脑上

首先，我们还是得自己先看一下详情页源码，找到下载链接的位置，再告诉即将幼儿园毕业的爬虫

可以看到，所有的下载链接都在中的href里面，哇，这就好办了，赶紧告诉你的爬虫去

# # 首先还是用BeautifulSoup库来解析网页的源码 m_soup = BeautifulSoup(m_html, "lxml") # 根据取得电影名，方便保存下载链接时文件命名 name = m_soup.find('title').text.split('-')[1] # 再根据class_='dwon1'找到所有下载链接 movie_down_list = m_soup.find_all(class_='dwon1') # 创建一个空的列表down_url_list来存储搜索结果的详情页链接 down_url_list = [] # 继续循环爬取下载链接并保存到down_url_list for movie_down in movie_down_list: # 提取href中的下载链接 down_url = movie_down.attrs['href'] # 把下载链接保存到down_url_list中，并在每个链接后面加一个换行符'\n' down_url_list.append(down_url + '\n') # 接下来就是把下载链接都保存到'电影名.txt'中 with open(name+'.txt', 'w') as f: f.writelines(down_url_list)

这里注意！注意！注意！这部分代码跟上部分代码都在同一个循环中！！！！

为了方便小白使用，请将第4步中的代码从spider.py中删除！并且！！复制下面这段完整的代码到刚才删除的位置！！！然后运行即可

# 这一步得构造详情页的链接，因为上一步得到的链接只是网站的相对路径我们是无法直接访问的 # 因为上一步的搜索结果可能有好几个，所以还是构造循环程序 for movie_url in movie_url_list: # 构造详情页链接 movie_url = url + movie_url # 直接 requests.get获取网页 r_m = requests.get(movie_url) # 同样需要解码 r_m.encoding = 'utf-8' # 获取网页源码并赋值给变量html m_html = r_m.text # 打印看看对不对 # print(m_html) # # 首先还是用BeautifulSoup库来解析网页的源码 m_soup = BeautifulSoup(m_html, "lxml") # 根据取得电影名，方便保存下载链接时文件命名 name = m_soup.find('title').text.split('-')[1] # 再根据class_='dwon1'找到所有下载链接 movie_down_list = m_soup.find_all(class_='dwon1') # 创建一个空的列表down_url_list来存储搜索结果的详情页链接 down_url_list = [] # 继续循环爬取下载链接并保存到down_url_list for movie_down in movie_down_list: # 提取href中的下载链接 down_url = movie_down.attrs['href'] # 把下载链接保存到down_url_list中，并在每个链接后面加一个换行符'\n' down_url_list.append(down_url + '\n') # 接下来就是把下载链接都保存到'电影名.txt'中 with open(name+'.txt', 'w') as f: f.writelines(down_url_list)

运行之后我们看到，spider.py路径中多了一个txt文件，里面保存了下载链接，如图