《0基础》学习Python——第二十四讲__爬虫/＜7＞深度爬取

一、深度爬取

        深度爬取是指在网络爬虫中，获取网页上的所有链接并递归地访问这些链接，以获取更深层次的页面数据。

        通常，一个简单的爬虫只会获取到初始页面上的链接，并不会进一步访问这些链接上的其他页面。而深度爬取则会不断地获取链接，并继续访问这些链接上的页面，直到达到设定的深度限制或者没有更多的链接可供访问为止。这样可以更全面地获取网页上的数据，并且可以发现更多的链接。但是需要注意的是，深度爬取需要谨慎操作，以免对目标网站造成过大的负载。

二、爬取豆瓣电影的电影链接中的数据

        比如点开下列页面中的链接得到另一个页面，而另一个页面就有很多新的数据，就可以爬取更多的东西，当然了，点开后的链接也可以下次爬取，只需要对爬到的URL再次进行发送get请求即可。

点开蓝色选中的链接得到关于这个电影的全部信息：

上图中所有的数据都可以爬取，下面我们就演示一下对电影目录一整页的数据进行深度爬取

三、实战爬取整页电影目录的数据

        1、获取这一整页电影的所有URL：

        经过前面几节课，我们也都学习了怎么样去获取网页信息，因为这些电影都是存放在一个列表里的（在点击网络-元素-在网页中选择一个元素检查的标识，当选中网页中可以看到各个板块的排列位置）,或者也可以在‘元素’里看到当前页面电影信息都存放在li标签下，所以可以通过下列图片得到单个电影的URL，下面代码部分就是爬取到了所有电影的URL了：

import requests
from lxml import etree
import fake_useragent

if __name__ == '__main__':
    head={
        'User-Agent':fake_useragent.UserAgent().random   #随机生成一个UA标识
    }
    #获取当前页面的URL
    url='https://movie.douban.com/top250'
    #发送get请求
    response=requests.get(url,headers=head)
    #返回获取到的页面源码
    lxml_info=response.text
    #解析获取到的信息
    tree=etree.HTML(lxml_info)
    #利用xpath定位到所有电影存放的标签下
    film=tree.xpath('//ol[@class="grid_view"]/li')
    #对获取到的所有li标签进行遍历循环
    for li in film:
        #当前位置在li标签，用xpath读取到电影链接,再通过join去除括号
        film_url="".join(li.xpath('./div/div[2]/div[1]/a/@href'))
        print(film_url)

2、爬取链接内的页面信息

通过上一步我们已经得到所有电影的URL了，那么下一步则是对这些URL继续进行get请求：

    for li in film:
        #当前位置在li标签，用xpath读取到电影链接,再通过join去除括号
        film_url="".join(li.xpath('./div/div[2]/div[1]/a/@href'))
        #对获取到的URL发送get请求
        res=requests.get(film_url,headers=head)
        #打印请求到的信息
        res_t=res.text

获取到电影页面信息后我们继续像上部一样对这段数据进行处理，即以下代码：

        res_t=res.text
        # print(res_t)
        #解析获取到的信息
        tree_url=etree.HTML(res_t)
        #定位到所需要信息的位置,比如我们要爬取他的剧情简介
        #首先是电影名称
        fil_name="".join(tree_url.xpath('//body/div[3]/div[1]/h1/span[1]/text()'))

        #其次是电影的简介内容
        #因为此处有两种类型的电影简介标签位置span[1]和span[2]，所以做一个判断，如果电影1有内容那么打印电影1，反之打印电影2
        if "".join(tree_url.xpath('//div[@class="related-info"]/div[1]/span[2]/text()')):
            print(fil_name)
            print("".join(tree_url.xpath('//div[@class="related-info"]/div[1]/span[2]/text()')).strip())

        else:
            film_jianjie = "".join(tree_url.xpath('//div[@class="related-info"]/div[1]/span[1]/text()'))
            print(fil_name)
            print(film_jianjie.strip())

注意：此处做了一个判断，因为其中电影的标签存放位置略有不同，即span[1]和span[2]

如下图肖申克的救赎，其简介存放在标签span[2]下，而霸王别姬存放在span[1]下：

霸王别姬如下：

3、完整代码如下：

import requests
from lxml import etree
import fake_useragent

if __name__ == '__main__':
    head={
        'User-Agent':fake_useragent.UserAgent().random   #随机生成一个UA标识
    }
    #获取当前页面的URL
    url='https://movie.douban.com/top250'
    #发送get请求
    response=requests.get(url,headers=head)
    #返回获取到的页面源码
    lxml_info=response.text
    #解析获取到的信息
    tree=etree.HTML(lxml_info)
    #利用xpath定位到所有电影存放的标签下
    film=tree.xpath('//ol[@class="grid_view"]/li')
    #对获取到的所有li标签进行遍历循环
    for li in film:
        #当前位置在li标签，用xpath读取到电影链接,再通过join去除括号
        film_url="".join(li.xpath('./div/div[2]/div[1]/a/@href'))
        #对获取到的URL发送get请求
        res=requests.get(film_url,headers=head)
        #打印请求到的信息
        res_t=res.text
        # print(res_t)
        #解析获取到的信息
        tree_url=etree.HTML(res_t)
        #定位到所需要信息的位置,比如我们要爬取他的剧情简介
        #首先是电影名称
        fil_name="".join(tree_url.xpath('//body/div[3]/div[1]/h1/span[1]/text()'))

        #其次是电影的简介内容
        #因为此处有两种类型的电影简介标签位置span[1]和span[2]，所以做一个判断，如果电影1有内容那么打印电影1，反之打印电影2
        if "".join(tree_url.xpath('//div[@class="related-info"]/div[1]/span[2]/text()')):
            print(fil_name)
            print("".join(tree_url.xpath('//div[@class="related-info"]/div[1]/span[2]/text()')).strip())

        else:
            film_jianjie = "".join(tree_url.xpath('//div[@class="related-info"]/div[1]/span[1]/text()'))
            print(fil_name)
            print(film_jianjie.strip())

        另外可以在后面加一条创建新文件的代码用来存放这些数据，已达到获取信息存放到本地保存的目的。