本次的7个python爬虫小案例涉及到了re正则、xpath、beautiful soup、selenium等知识点，非常适合刚入门python爬虫的小伙伴参考学习。注：若涉及到版权或隐私问题，请及时联系我删除即可。

1.使用正则表达式和文件操作爬取并保存“百度贴吧”某帖子全部内容（该帖不少于5页。

 本次选取的是百度贴吧中的NBA吧中的一篇帖子,帖子标题是“克莱和哈登，谁历史地位更高”。爬取的目标是帖子里面的回复内容。

源程序和关键结果截图：

import csvimport requestsimport reimport timedef main(page):    url = f'https://tieba.baidu.com/p/7882177660?pn={page}'    headers = {        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36'    }    resp = requests.get(url,headers=headers)    html = resp.text    # 评论内容    comments = re.findall('style="display:;">                    (.*?)</div>',html)    # 评论用户    users = re.findall('class="p_author_name j_user_card" href=".*?" target="_blank">(.*?)</a>',html)    # 评论时间    comment_times = re.findall('楼</span><span class="tail-info">(.*?)</span><div',html)    for u,c,t in zip(users,comments,comment_times):        # 筛选数据,过滤掉异常数据        if 'img' in c or 'div' in c or len(u)>50:            continue        csvwriter.writerow((u,t,c))        print(u,t,c)    print(f'第{page}页爬取完毕')if __name__ == '__main__':    with open('01.csv','a',encoding='utf-8')as f:        csvwriter = csv.writer(f)        csvwriter.writerow(('评论用户','评论时间','评论内容'))        for page in range(1,8):  # 爬取前7页的内容            main(page)            time.sleep(2)

2.实现多线程爬虫爬取某小说部分章节内容并以数据库存储（不少于10个章节。 

 本次选取的小说网址是全本小说网https://www.qb5.tw/，这里我们选取第一篇小说进行爬取

然后通过分析网页源代码分析每章小说的链接

找到链接的位置后，我们使用Xpath来进行链接和每一章标题的提取

在这里，因为涉及到多次使用requests发送请求，所以这里我们把它封装成一个函数，便于后面的使用

每一章的链接获取后，我们开始进入小说章节内容页面进行分析

通过网页分析，小说内容都在网页源代码中，属于静态数据

这里我们选用re正则表达式进行数据提取，并对最后的结果进行清洗

然后我们需要将数据保存到数据库中，这里我将爬取的数据存储到mysql数据库中，先封住一下数据库的操作

接着将爬取到是数据进行保存

最后一步就是使用多线程来提高爬虫效率，这里我们创建了5个线程的线程池

 源代码及结果截图：

import requestsfrom lxml import etreeimport reimport pymysqlfrom time import sleepfrom concurrent.futures import ThreadPoolExecutordef get_conn():    # 创建连接    conn = pymysql.connect(host="127.0.0.1",                           user="root",                           password="root",                           db="novels",                           charset="utf8")    # 创建游标    cursor = conn.cursor()    return conn, cursordef close_conn(conn, cursor):    cursor.close()    conn.close()def get_xpath_resp(url):    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36'}    resp = requests.get(url, headers=headers)    tree = etree.HTML(resp.text)  # 用etree解析html    return tree,respdef get_chapters(url):    tree,_ = get_xpath_resp(url)    # 获取小说名字    novel_name = tree.xpath('//*[@id="info"]/h1/text()')[0]    # 获取小说数据节点    dds = tree.xpath('/html/body/div[4]/dl/dd')    title_list = []    link_list = []    for d in dds[:15]:        title = d.xpath('./a/text()')[0]  # 章节标题        title_list.append(title)        link = d.xpath('./a/@href')[0]   # 章节链接        chapter_url = url +link  # 构造完整链接        link_list.append(chapter_url)    return title_list,link_list,novel_namedef get_content(novel_name,title,url):    try:        cursor = None        conn = None        conn, cursor = get_conn()        # 插入数据的sql        sql = 'INSERT INTO novel(novel_name,chapter_name,content) VALUES(%s,%s,%s)'        tree,resp = get_xpath_resp(url)        # 获取内容        content = re.findall('<div id="content">(.*?)</div>',resp.text)[0]        # 对内容进行清洗        content = content.replace('<br />','\n').replace('&nbsp;',' ').replace('全本小说网 www.qb5.tw，最快更新<a href="https://www.qb5.tw/book_116659/">宇宙职业选手</a>最新章节！<br><br>','')        print(title,content)        cursor.execute(sql,[novel_name,title,content])  # 插入数据        conn.commit()  # 提交事务保存数据    except:        pass    finally:        sleep(2)        close_conn(conn, cursor)  # 关闭数据库if __name__ == '__main__':    # 获取小说名字，标题链接，章节名称    title_list, link_list, novel_name = get_chapters('https://www.qb5.tw/book_116659/')    with ThreadPoolExecutor(5) as t:  # 创建5个线程        for title,link in zip(title_list,link_list):            t.submit(get_content, novel_name,title,link)  # 启动线程

 3. 分别使用XPath和Beautiful Soup4两种方式爬取并保存非异步加载的“豆瓣某排行榜”如https://movie.douban.com/top250的名称、描述、评分和评价人数等数据。

 先分析：

首先，来到豆瓣Top250页面，首先使用Xpath版本的来抓取数据，先分析下电影列表页的数据结构，发下都在网页源代码中，属于静态数据

接着我们找到数据的规律，使用xpath提取每一个电影的链接及电影名

然后根据链接进入到其详情页

分析详情页的数据，发现也是静态数据，继续使用xpath提取数据

最后我们将爬取的数据进行存储，这里用csv文件进行存储

接着是Beautiful Soup4版的，在这里，我们直接在电影列表页使用bs4中的etree进行数据提取

最后，同样使用csv文件进行数据存储

源代码即结果截图：

XPath版：

import refrom time import sleepimport requestsfrom lxml import etreeimport randomimport csvdef main(page,f):    url = f'https://movie.douban.com/top250?start={page*25}&filter='    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.35 Safari/537.36',}    resp = requests.get(url,headers=headers)    tree = etree.HTML(resp.text)    # 获取详情页的链接列表    href_list = tree.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[1]/a/@href')    # 获取电影名称列表    name_list = tree.xpath('//*[@id="content"]/div/div[1]/ol/li/div/div[2]/div[1]/a/span[1]/text()')    for url,name in zip(href_list,name_list):        f.flush()  # 刷新文件        try:            get_info(url,name)  # 获取详情页的信息        except:            pass        sleep(1 + random.random())  # 休息    print(f'第{i+1}页爬取完毕')def get_info(url,name):    headers = {        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.35 Safari/537.36',        'Host': 'movie.douban.com',    }    resp = requests.get(url,headers=headers)    html = resp.text    tree = etree.HTML(html)    # 导演    dir = tree.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')[0]    # 电影类型    type_ = re.findall(r'property="v:genre">(.*?)</span>',html)    type_ = '/'.join(type_)    # 国家    country = re.findall(r'地区:</span> (.*?)<br',html)[0]    # 上映时间    time = tree.xpath('//*[@id="content"]/h1/span[2]/text()')[0]    time = time[1:5]    # 评分    rate = tree.xpath('//*[@id="interest_sectl"]/div[1]/div[2]/strong/text()')[0]    # 评论人数    people = tree.xpath('//*[@id="interest_sectl"]/div[1]/div[2]/div/div[2]/a/span/text()')[0]    print(name,dir,type_,country,time,rate,people)  # 打印结果    csvwriter.writerow((name,dir,type_,country,time,rate,people))  # 保存到文件中if __name__ == '__main__':    # 创建文件用于保存数据    with open('03-movie-xpath.csv','a',encoding='utf-8',newline='')as f:        csvwriter = csv.writer(f)        # 写入表头标题        csvwriter.writerow(('电影名称','导演','电影类型','国家','上映年份','评分','评论人数'))        for i in range(10):  # 爬取10页            main(i,f)  # 调用主函数            sleep(3 + random.random())

Beautiful Soup4版： 

import randomimport urllib.requestfrom bs4 import BeautifulSoupimport codecsfrom time import sleepdef main(url, headers):    # 发送请求    page = urllib.request.Request(url, headers=headers)    page = urllib.request.urlopen(page)    contents = page.read()    # 用BeautifulSoup解析网页    soup = BeautifulSoup(contents, "html.parser")    infofile.write("")    print('爬取豆瓣电影250: \n')    for tag in soup.find_all(attrs={"class": "item"}):        # 爬取序号        num = tag.find('em').get_text()        print(num)        infofile.write(num + "\r\n")        # 电影名称        name = tag.find_all(attrs={"class": "title"})        zwname = name[0].get_text()        print('[中文名称]', zwname)        infofile.write("[中文名称]" + zwname + "\r\n")        # 网页链接        url_movie = tag.find(attrs={"class": "hd"}).a        urls = url_movie.attrs['href']        print('[网页链接]', urls)        infofile.write("[网页链接]" + urls + "\r\n")        # 爬取评分和评论数        info = tag.find(attrs={"class": "star"}).get_text()        info = info.replace('\n', ' ')        info = info.lstrip()        print('[评分评论]', info)        # 获取评语        info = tag.find(attrs={"class": "inq"})        if (info):  # 避免没有影评调用get_text()报错            content = info.get_text()            print('[影评]', content)            infofile.write(u"[影评]" + content + "\r\n")        print('')if __name__ == '__main__':    # 存储文件    infofile = codecs.open("03-movie-bs4.txt", 'a', 'utf-8')    # 消息头    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'}    # 翻页    i = 0    while i < 10:        print('页码', (i + 1))        num = i * 25  # 每次显示25部 URL序号按25增加        url = 'https://movie.douban.com/top250?start=' + str(num) + '&filter='        main(url, headers)        sleep(5 + random.random())        infofile.write("\r\n\r\n")        i = i + 1    infofile.close()

 

 4.实现某东商城某商品评论数据的爬取（评论数据不少于100条，包括评论内容、时间和评分）。

 先分析：

 本次选取的某东官网的一款联想笔记本电脑，数据为动态加载的，通过开发者工具抓包分析即可。

源代码及结果截图：

import requestsimport csvfrom time import sleepimport randomdef main(page,f):    url = 'https://club.jd.com/comment/productPageComments.action'    params = {        'productId': 100011483893,        'score': 0,        'sortType': 5,        'page': page,        'pageSize': 10,        'isShadowSku': 0,        'fold': 1    }    headers = {        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.35 Safari/537.36',        'referer': 'https://item.jd.com/'    }    resp = requests.get(url,params=params,headers=headers).json()    comments = resp['comments']    for comment in comments:        content = comment['content']        content = content.replace('\n','')        comment_time = comment['creationTime']        score = comment['score']        print(score,comment_time,content)        csvwriter.writerow((score,comment_time,content))    print(f'第{page+1}页爬取完毕')if __name__ == '__main__':    with open('04.csv','a',encoding='utf-8',newline='')as f:        csvwriter = csv.writer(f)        csvwriter.writerow(('评分','评论时间','评论内容'))        for page in range(15):                main(page,f)                sleep(5+random.random())

5. 实现多种方法模拟登录知乎，并爬取与一个与江汉大学有关问题和答案。

首先使用selenium打开知乎登录页面，接着使用手机进行二维码扫描登录

进入页面后，打开开发者工具，找到元素，，定位输入框，输入汉江大学，然后点击搜索按钮

 

以第二条帖子为例，进行元素分析 。

源代码及结果截图：

from time import sleepfrom selenium.webdriver.chrome.service import Servicefrom selenium.webdriver import Chrome,ChromeOptionsfrom selenium.webdriver.common.by import Byimport warningsdef main():    #忽略警告    warnings.filterwarnings("ignore")    # 创建一个驱动    service = Service('chromedriver.exe')    options = ChromeOptions()    # 伪造浏览器    options.add_experimental_option('excludeSwitches', ['enable-automation','enable-logging'])    options.add_experimental_option('useAutomationExtension', False)    # 创建一个浏览器    driver = Chrome(service=service,options=options)    # 绕过检测    driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {        "source": """               Object.defineProperty(navigator, 'webdriver', {               get: () => false               })           """    })    # 打开知乎登录页面    driver.get('https://www.zhihu.com/')    sleep(30)    # 点击搜索框    driver.find_element(By.ID,'Popover1-toggle').click()    # 输入内容    driver.find_element(By.ID,'Popover1-toggle').send_keys('汉江大学')    sleep(2)    # 点击搜索图标    driver.find_element(By.XPATH,'//*[@id="root"]/div/div[2]/header/div[2]/div[1]/div/form/div/div/label/button').click()    # 等待页面加载完    driver.implicitly_wait(20)    # 获取标题    title = driver.find_element(By.XPATH,'//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/h2/div/a/span').text    # 点击阅读全文    driver.find_element(By.XPATH,'//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/div/span/div/button').click()    sleep(2)    # 获取帖子内容    content = driver.find_element(By.XPATH,'//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/div/span[1]/div/span/p').text    # 点击评论    driver.find_element(By.XPATH,'//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/div/div[3]/div/div/button[1]').click()    sleep(2)    # 点击获取更多评论    driver.find_element(By.XPATH,'//*[@id="SearchMain"]/div/div/div/div/div[2]/div/div/div/div[2]/div/div/div[2]/div[2]/div/div[3]/button').click()    sleep(2)    # 获取评论数据的节点    divs = driver.find_elements(By.XPATH,'/html/body/div[6]/div/div/div[2]/div/div/div/div[2]/div[3]/div')    try:        for div in divs:            # 评论内容            comment = div.find_element(By.XPATH,'./div/div/div[2]').text            f.write(comment)  # 写入文件            f.write('\n')            print(comment)    except:        driver.close()if __name__ == '__main__':    # 创建文件存储数据    with open('05.txt','a',encoding='utf-8')as f:        main()

 6. 综合利用所学知识，爬取某个某博用户前5页的微博内容。

这里我们选取了人民日报的微博内容进行爬取，具体页面我就不放这了，怕违规。

源代码及结果截图：

import requestsimport csvfrom time import sleepimport randomdef main(page):    url = f'https://weibo.com/ajax/statuses/mymblog?uid=2803301701&page={page}&feature=0&since_id=4824543023860882kp{page}'    headers = {        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36',        'cookie':'SINAGLOBAL=6330339198688.262.1661412257300; ULV=1661412257303:1:1:1:6330339198688.262.1661412257300:; PC_TOKEN=8b935a3a6e; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9WWoQDW1G.Vsux_WIbm9NsCq5JpX5KMhUgL.FoMNShMN1K5ESKq2dJLoIpjLxKnL1h.LB.-LxKqLBoBLB.-LxKqLBKeLB--t; ALF=1697345086; SSOLoginState=1665809086; SCF=Auy-TaGDNaCT06C4RU3M3kQ0-QgmTXuo9D79pM7HVAjce1K3W92R1-fHAP3gXR6orrHK_FSwDsodoGTj7nX_1Hw.; SUB=_2A25OTkruDeRhGeFJ71UW-S7OzjqIHXVtOjsmrDV8PUNbmtANLVKmkW9Nf9yGtaKedmyOsDKGh84ivtfHMGwvRNtZ; XSRF-TOKEN=LK4bhZJ7sEohF6dtSwhZnTS4; WBPSESS=PfYjpkhjwcpEXrS7xtxJwmpyQoHWuGAMhQkKHvr_seQNjwPPx0HJgSgqWTZiNRgDxypgeqzSMsbVyaDvo7ng6uTdC9Brt07zYoh6wXXhQjMtzAXot-tZzLRlW_69Am82CXWOFfcvM4AzsWlAI-6ZNA=='    }    resp = requests.get(url,headers=headers)    data_list = resp.json()['data']['list']    for item in data_list:        created_time = item['created_at']  # 发布时间        author = item['user']['screen_name']   # 作者        title = item['text_raw']   # 帖子标题        reposts_count = item['reposts_count']  # 转发数        comments_count = item['comments_count']  # 评论数        attitudes_count = item['attitudes_count']  # 点赞数        csvwriter.writerow((created_time,author,title,reposts_count,comments_count,attitudes_count))        print(created_time,author,title,reposts_count,comments_count,attitudes_count)    print(f'第{page}页爬取完毕')if __name__ == '__main__':    # 创建保存数据的csv文件    with open('06-2.csv','a',encoding='utf-8',newline='')as f:        csvwriter = csv.writer(f)        # 添加文件表头        csvwriter.writerow(('发布时间','发布作者','帖子标题','转发数','评论数','点赞数'))        for page in range(1,6):  # 爬取前5页数据            main(page)            sleep(5+random.random())

 7.自选一个热点或者你感兴趣的主题，爬取数据并进行简要数据分析（例如，通过爬取电影的名称、类型、总票房等数据统计分析不同类型电影的平均票房，十年间每年票房冠军的票房走势等；通过爬取中国各省份地区人口数量，统计分析我国人口分布等）。

本次选取的网址是艺恩娱数，目标是爬取里面的票房榜数据，通过开发者工具抓包分析找到数据接口，然后开始编写代码进行数据抓取。 

源代码及结果截图：

import requestsimport csvimport pandas as pdimport matplotlib.pyplot as pltimport warningswarnings.filterwarnings('ignore')plt.rcParams['font.sans-serif'] = ['SimHei'] #解决中文显示plt.rcParams['axes.unicode_minus'] = False   #解决符号无法显示def main():    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36',}    data = {        'r': '0.9936776079863086',        'top': '50',        'type': '0',    }    resp = requests.post('https://ys.endata.cn/enlib-api/api/home/getrank_mainland.do', headers=headers, data=data)    data_list = resp.json()['data']['table0']    for item in data_list:        rank = item['Irank']  # 排名        MovieName = item['MovieName']  # 电影名称        ReleaseTime = item['ReleaseTime']  # 上映时间        TotalPrice = item['BoxOffice']   # 总票房(万)        AvgPrice = item['AvgBoxOffice']   # 平均票价        AvgAudienceCount = item['AvgAudienceCount']  # 平均场次        # 写入csv文件        csvwriter.writerow((rank,MovieName,ReleaseTime,TotalPrice,AvgPrice,AvgAudienceCount))        print(rank,MovieName,ReleaseTime,TotalPrice,AvgPrice,AvgAudienceCount)def data_analyze():    # 读取数据    data = pd.read_csv('07.csv')    # 从上映时间中提取出年份    data['年份'] = data['上映时间'].apply(lambda x: x.split('-')[0])    # 各年度上榜电影总票房占比    df1 = data.groupby('年份')['总票房(万)'].sum()    plt.figure(figsize=(6, 6))    plt.pie(df1, labels=df1.index.to_list(), autopct='%1.2f%%')    plt.title('各年度上榜电影总票房占比')    plt.show()    # 各个年份总票房趋势    df1 = data.groupby('年份')['总票房(万)'].sum()    plt.figure(figsize=(6, 6))    plt.plot(df1.index.to_list(), df1.values.tolist())    plt.title('各年度上榜电影总票房趋势')    plt.show()    # 平均票价最贵的前十名电影    print(data.sort_values(by='平均票价', ascending=False)[['年份', '电影名称', '平均票价']].head(10))    # 平均场次最高的前十名电影    print(data.sort_values(by='平均场次', ascending=False)[['年份', '电影名称', '平均场次']].head(10))if __name__ == '__main__':    # 创建保存数据的csv文件    with open('07.csv', 'w', encoding='utf-8',newline='') as f:        csvwriter = csv.writer(f)        # 添加文件表头        csvwriter.writerow(('排名', '电影名称', '上映时间', '总票房(万)', '平均票价', '平均场次'))        main()    # 数据分析    data_analyze()

 

 从年度上榜电影票房占比来看，2019年占比最高，说明2019年这一年的电影质量都很不错，上榜电影多而且票房高。

从趋势来看，从2016年到2019年，上榜电影总票房一直在增长，到2019年达到顶峰，说明这一年电影是非常的火爆，但是从2020年急剧下滑，最大的原因应该是这一年年初开始爆发疫情，导致贺岁档未初期上映，而且由于疫情影响，电影院一直处于关闭状态，所以这一年票房惨淡。

        好了，本次案例分享到此结束，希望对刚入手爬虫的小伙伴有所帮助。