对于Python初学者来说,爬虫技能是应该是最好入门,也是最能够有让自己有成就感的,今天,恋习Python的手把手系列,手把手教你入门Python爬虫,爬取猫眼电影TOP100榜信息,将涉及到基础爬虫架构中的HTML下载器、HTML解析器、数据存储器三大模块:
- HTML下载器:利用requests模块下载HTML网页;
- HTML解析器:利用re正则表达式解析出有效数据;
- 数据存储器:将有效数据通过文件或者数据库的形式存储起来;
一、构造HTML下载器
1import requests
2from requests.exceptions import RequestException
3headers = {'User-Agent':'Mozilla/5.0 '}
4def get\_one\_page(url):
5 try:
6 res = requests.get(url,headers = headers)
7 if res.status_code == 200:
8 return res.text
9 return None
10 except RequestException:
11 return None
二、构造HTML解析器
1def parse\_one\_page(html):
2 pattern = re.compile('<dd>.\*?board-index.\*?>(\d+)</i>.\*?data-src="(.\*?)".\*?name"><a'
3 +'.\*?>(.\*?)</a>.\*?star">(.\*?)</p>.\*?releasetime">(.\*?)</p>'
4 +'.\*?integer">(.\*?)</i>.\*?fraction">(.\*?)</i>.\*?</dd>',re.S)
5 items = re.findall(pattern,html)
6 for item in items:
7 yield{
8 'index': item[0],
9 'image': item[1],
10 'title': item[2],
11 'actor': item[3].strip()[3:],
12 'time': item[4].strip()[5:],
13 'score': item[5] + item[6]
14 }
注意:
- 在函数中本来该return的地方用yield,如果用return,在第一轮循环就会跳出,结果文件只会有一部电影。如果用yield,函数返回的就是一个生成器,而生成器作为一种特殊的迭代器,可以用for——in方法,一次一次的把yield拿出来;
- re.findall(pattern,string[,flags]):搜索整个string,以列表的形式返回能匹配的全部子串,其中参数是匹配模式,如re.S表示点任意匹配模式,改变“.”的行为。
三、构造数据存储器
1def write\_to\_file(content):
2 with open ('result.txt', 'a',encoding='utf-8') as f:
3 f.write(json.dumps(content,ensure_ascii=False) + '\n')
4 f.close()
注意事项:
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**