Python爬虫案例，腾讯动漫爬虫，步骤超详细解释，源码分析

2021-03-16

加入收藏

实施步骤

(1) 数据爬取：使用requests请求为基础获取数据源。

(2) UA伪装：模拟浏览器访问网址。

(3) 数据解析：使用xpath语法处理数据。

(4) 数据存储：获取需求数据后使用Excrl进行存储

目标网址

https://ac.qq.com/Comic/all/search/hot/page/1

库的使用

Openpyxl：openpyxl 模块是一个读写 Excel 2010 文档的 Python 库，如果要处理更早格式的 Excel 文档，需要用到其它库（如：xlrd、xlwt 等），这是 openpyxl 比较其他模块的不足之处。openpyxl 是一款比较综合的工具，不仅能够同时读取和修改 Excel 文档，而且可以对Excel文件内单元格进行详细设置，包括单元格样式等内容，甚至还支持图表插入、打印设置等内容，使用 openpyxl 可以读写xltm, xltx, xlsm, xlsx 等类型的文件，且可以处理数据量较大的 Excel 文件，跨平台处理大量数据等。

Requests：requests是基于Python开发的HTTP 库，与urllib标准库相比，它不仅使用方便，而且能节约大量的工作。实际上，requests是在urllib的基础上进行了高度的封装，它不仅继承了urllib的所有特性，而且还支持一些其它的特性，比如使用Cookie保持会话、自动确定响应内容的编码等，可以轻而易举地完成浏览器的任何操作。

Lxml：lxml是一个Python库，使用它可以轻松处理XML和html文件，还可以用于web爬取。这个库的主要优点是易于使用，在解析大型文档时速度非常快，归档的也非常好，并且提供了简单的转换方法来将数据转换为Python数据类型，从而使文件操作更容易。

数据采集

简单分析网页后发现该网页翻页操作可通过对url的相关参数修改得知。

测试如下：

进行多次测试得知通过对url相关参数修改的确实现了换页功能。

！！！！！！

共292页，我们可以通过简单的for循环实现每一页的替换。

for n in range(293):
	请求数据

对url进行修饰后使得for循环的参数可以对请求的目标网址url进行影响。

url = f'https://ac.qq.com/Comic/all/search/hot/page/{n}'

因为绝大多数门户网站的服务器会检测对应请求的载体身份标识，如果检测到载体身份标识为某一浏览器说明该请求是一个正常请求. 但是！如果检测到请求载体身份标识不是基础于某一款浏览器的，则表示该请求为不正常请求（爬虫），则服务器端就很有可能拒绝该次请求。所以为了应对我们进行一点小小的操作UA伪装（UA伪装:让爬虫对应的请求载体身份标识伪装成某一款浏览器）

这里我们直接复制浏览器的UA让爬虫携带上就可以进行UA伪装了。

headers={"User-Agent":'Mozilla/5.0 (windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)Chrome/85.0.4183.83 Safari/537.36'}

综上所述采集获取部分如下：

for n in range(293):
    url = f'https://ac.qq.com/Comic/all/search/hot/page/{n}'
    headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36'
    }
    response = requests.get(url=url,headers=headers)

数据分析

首先对采集的数据进行简单的处理。

response = response.text

tree = etree.HTML(response)

对网址进行检查分析。

发现它的每一页的每一部漫画的相关数据在这样一个li标签里面。

如果大家在学习中遇到困难，想找一个python学习交流环境，可以加入我们的python裙，关注小编，并私信“01”即可进裙，领取python学习资料，会节约很多时间，减少很多遇到的难题。

使用xpath进行解析

li_all = tree.xpath('/html/body/div[3]/div[2]/div/div[2]/ul/li')

获取了每一页的所有漫画大概内容后，就可以对每本的细节进行分析。

这里我们获取每本漫画漫画名，作者，人气。

对网页分析如下：

使用xpath语法解析的

作品名字 = li_all[q].xpath('./div[2]/h3/a/text()')
作者 = li_all[q].xpath('./div[2]/p[1]/text()')
人气 = li_all[q].xpath('./div[2]/p[2]/span/em/text()')

因为一个的本数刚好就是之前

的个数，我们对li标签的列表进行长度获取就可以。

len(li_all)

然后进行for循环遍历，获取每页每本的详细数据。

for q in range(len(li_all)):
    e = li_all[q].xpath('./div[2]/h3/a/text()')
    z = li_all[q].xpath('./div[2]/p[1]/text()')
    r = li_all[q].xpath('./div[2]/p[2]/span/em/text()')

综上所述解析获取部分如下：

response = response.text
tree = etree.HTML(response)
li_all = tree.xpath('/html/body/div[3]/div[2]/div/div[2]/ul/li')
for q in range(len(li_all)):
    e = li_all[q].xpath('./div[2]/h3/a/text()')
    z = li_all[q].xpath('./div[2]/p[1]/text()')
    r = li_all[q].xpath('./div[2]/p[2]/span/em/text()')

源码

import openpyxl
import requests
from lxml import etree
wb = openpyxl.Workbook() # 新建一个workbook
# print(wb)
ws = wb.active   # 调用正在运行的工作表
ws['A1'] = '漫画';ws['B1'] = '作者名字';ws['C1'] = '人气'
number = 2
for n in range(293):
    url = f'https://ac.qq.com/Comic/all/search/hot/page/{n}'
    headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36'
    }
    response = requests.get(url=url,headers=headers)
    response = response.text
    tree = etree.HTML(response)
    li_all = tree.xpath('/html/body/div[3]/div[2]/div/div[2]/ul/li')
    for q in range(len(li_all)):
        e = li_all[q].xpath('./div[2]/h3/a/text()')
        z = li_all[q].xpath('./div[2]/p[1]/text()')
        r = li_all[q].xpath('./div[2]/p[2]/span/em/text()')
        ws[f'A{number}'] = e[0]
        ws[f'B{number}'] = z[0]
        ws[f'C{number}'] = r[0]
        print('漫画:',e[0],'n作者名字:',z[0],'n人气:',r[0])
        print()
        number += 1
    wb.save('./漫画.xlsx')

结果演示