前期准备:
- 正则表达式:
\d:代表一个数字
{}:代表字符个数
*:代表任意字符
[]:[]内字符只能取其一
+:表示前字符至少出现过一次
-:一个范围
?:表示前一个字符可出现0次或1次
[a-z]{3}[1-9]{6}:前三个为字符:a-z,四到十位为数字1-9 密码
\d{3}-d{8}:3个数字-8个数字 电话号码
- 网页构成:
我们需要top500首歌,找到网页,查看地址,每页22首,需要23个页面,我们就确定网页号,由正则表达式知道{}表示字符个数确定{}范围为1-24
range函数:
range(a,b) i>=a&&i<b
range(1,5)得到{1,2,3,4}
https://www.kugou.com/yy/rank/home/{}-8888.html
User-Agent获取:
在Chorme网页,输入
Chrome://version
找到用户代理,后面代码就是
headers={
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36'
}
实际操作:
需要下载库:
将下面xxxx换成下面几个库,cmd环境下,运行安装即可。
urllib lxml requests bs4(可能会缺少模块就使用下面这个命令,快速下载,还有很多镜像源,和直接下载的方法,可以自己百度找找)
pip install xxxx -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
完整代码:
import requests
from bs4 import BeautifulSoup
import time
headers={
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/119.0.0.0 Safari/537.36'
}
#User-Agent需要自己打开Chrome浏览器找到复制
#User-Agent是Chrome浏览器开发者工具,便于伪装成浏览器
def get_info(url): #定义函数爬取信息
wb_data=requests.get(url,headers=headers)
soup=BeautifulSoup(wb_data.text,'lxml')
ranks=soup.select('span.pc_temp_num')
titles=soup.select('div.pc_temp_songlist>ul>li>a')
times=soup.select('span.pc_temp_tips_r>span')
for rank,title,time,in zip(ranks,titles,times):
data={
'rank':rank.get_text().strip(),
'singer':title.get_text().split('-')[0],
'song':title.get_text().split('-')[1],
'time':time.get_text().strip()
}
print(data)
if __name__=='__main__':
urls=['http://www.kugou.com/yy/rank/home/{}-8888.html'.format(str(i)) for i in range(1,24)]
for url in urls:
get_info(url)
time.sleep(1)
运行结果: