通过这篇文章为大家介绍崔庆才老师对Python爬虫Selenium库的讲解,包括基本原理及其理论知识点
本文共有约500字,建议阅读时间5分钟,并且注重理论与实践相结合
觉得文章比较枯燥和用电脑观看的可以点击阅读原文即可跳转到CSDN网页
目录:
一、目标站点分析
二、流程框架
三、爬虫实战
一、目标站点分析(http://maoyan.com/board/4)
二、流程框架
抓取单页内容:利用requests请求目标站点得到单个网页的HTML代码,返回结果.
正则表达式分析:根据HTML代码分析得到电影名称、主演、上映时间、评分、图片链接等信息
保存至文件:通过文件的形式将结果保存,每一部电影一个结果一行Json字符串
开启循环及多线程:对多项内容遍历,开启多线程提高抓取速度
三、爬虫实战
requests的官方文档:http://www.python-requests.org/en/master/(API那关于exceptions异常处理文档)
需要引入的库
获取URL(最好养成加header的习惯,减少被禁访问的可能性)
匹配过程(保证起始字符串都在)
文件写入
主程序设计
运行主程序
最后,大家可以试一下豆瓣电影或是最好大学网抓取数据
http://www.zuihaodaxue.cn/zuihaodaxuepaiming2018.html
https://movie.douban.com/chart
import requests
from requests.exceptions import RequestException#异常处理
import re
import json
from multiprocessing import Pool#多线程工具,提高处理速度
headers = {'User-Agent': 'Mozilla/5.0Safari/537.36'}#添加自己的headers
#获取URL
def get_one_page(url):
try:
response = requests.get(url,headers = headers)#不添加头部信息会造成被禁
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
#匹配过程,保证起始符存在
def parse_one_page(html):
pattern = re.compile('<dd>.*?board-index.*?(\d+)</i>.*?data-src="(.*?)" alt.*?class="name"><a.*?>(.*?)</a>.*?<p class="star">(.*?)</p>.*?class="releasetime">(.*?)</p>.*?"integer">(.*?)</i><i class="fraction">(.*?)</i></p>',re.S)
items = re.findall(pattern,html)
for item in items:
yield{
'index' : item[0],
'image' : item[1],
'title' : item[2],
'actor' : item[3].strip()[3:],
'time' : item[4].strip()[5:],
'score' : item[5]+item[6]
}
#写入文件
def write_to_file(content):
with open('result.txt','a',encoding = 'utf-8')as f:#添加utf-8和ensure_ascii为了解决文本写入显示中文的问题
f.write(json.dumps(content,ensure_ascii = False) + '\n')
f.close()
#通过IP添加offset增加循环的打印次数
def main(offset):
url = 'http://maoyan.com/board/4?offset=' + str(offset)
html = get_one_page(url)
for item in parse_one_page(html):
print(item)
write_to_file(item)
#主程序运行
if __name__ == '__main__':
#for i in range(10):
# main(i*10)
pool = Pool()#使用多线程可以提高其抓取的效率
pool.map(main,[i*10 for i in range(10)])
视频链接及程序源代码:
可关注微信公众号