07. 实战：Python正则法抓取某网站2022必看片迅雷种子

Vec_Kun

已于 2023-01-18 11:37:42 修改

阅读量1k

点赞数 3

分类专栏： Python爬虫入门、进阶与实战文章标签： python 开发语言网络爬虫 pycharm 正则表达式

于 2022-12-30 11:56:21 首次发布

本文链接：https://blog.csdn.net/m0_59180666/article/details/128492270

版权

Python爬虫入门、进阶与实战专栏收录该内容

42 篇文章 42 订阅

订阅专栏

前言 URL（在评论区）URL（在评论区）URL（在评论区）

目的 URL（在评论区）URL（在评论区）URL（在评论区）

思路 URL（在评论区）URL（在评论区）URL（在评论区）

前言

上一节我们讲到了Python正则法抓取某电影网Top250信息，

这一节再进行一个简单的正则法抓取例子：抓取某网站的迅雷种子资源！

目的

获取某网站中2022必看片榜单中所有电影的片名与对应迅雷种子

思路

1. 定位到2022必看片

2. 从2022必看片中提取子页面的链接地址

3. 请求子页面的链接地址，拿到我们想要的下载地址

代码实现

第一步，先导包

import re

import requests

复习一下，re库就是Regular Expression，即Python的正则库，用于数据分析。requests库是我们请求网页所用的库。

第二步，请求源代码

domain = "见评论区"  # domain就是url，换了个说法
resp = requests.get(domain)  # 如果报错，可能是http's'的问题。那么就需要加一个参数' verify = False '，不进行安全校验
print(resp.text)

这里可能出现两个问题：

1. resp报错，这里可能是http's'的问题，https和http的区别就在于是否进行安全校验。我们访问https网页如果报错，那就在requests.get()中添加参数verify=False，就可以跳过安全校验步骤了

2. print网页源代码时我们发现，涉及到中文的时候打印出了乱码，这个时候我们要敏锐的感觉到一定是编码方式的问题！html默认的编码方式和PyCharm是一致的，都是UTF-8。但是此时出现了乱码我们就要去寻找这个网页的编码方式有何不同。

第三步，debug第二步

1. 修改resp行函数为

resp = requests.get(domain, verify=False)

2. 观察发现网页源代码的头部标签中规定了此网页的编码方式：

<META http-equiv=Content-Type content="text/html; charset=gb2312">中charset=gb2312，所以我们应该采用gb2312编码。

注：如果想了解更多关于HTML头部标签的知识，请访问HTML头部

resp.encoding = 'gb2312'  # 指定字符集
print(resp.text)
resp.close()

此时再打印源代码就不会出现乱码了

第四步，正则法定位信息

1. 先检查页面源代码定位

可以观察到，从<ul>开始，每一个<li>中包含我们对应的资源名称和链接，这正是我们需要的。

其实， <ul>指的是无序列表，而每一个<li>代表无序列表中的每一个列表项；<div>是浏览器的块级元素，表达这一部分是一个整体。如果想了解更多关于HTML列表和HTML块级元素的知识，请点击下面的超链接

HTML列表 HTML块级元素

2. 正则法定位上述源代码

# 定位成功
obj1 = re.compile(r"2022必看热片.*?<ul>(?P<ul>.*?)</ul>", re.S)
result1 = obj1.finditer(resp.text)
for it in result1:
    ul = it.group('ul')
    # print(ul)

我们还是用惰性搜索拿出了中间一大堆<li>包裹的信息，还是很准确的，但是我们不能直接把这个拿来用，我们要进行重定位，把信息细节提取出来，不要其余多余的代码

3. 再次正则，拿出想要的信息

# html中，a标签表示超链接，点击对应的对象就会跳转到href引用的链接中，title是鼠标选中以后浮现出的提示文字，主要需要href中的子页面链接
# 提取子页面链接
obj2 = re.compile(r"<a href='(?P<href>.*?)'", re.S)
result2 = obj2.finditer(ul)
child_href_list = []
for i in result2:
    href = i.group('href')
    # 拼接子页面url地址：域名+子页面地址（这里多了一个斜杠，要strip掉）
    child_href = domain + href.strip("/")
    # print(child_href)  # 为了方便，把它们装进列表里
    child_href_list.append(child_href)  # 把子页面链接保存起来
    # 37 + 38 = child_href_list = [child_href]
    # child_href_list = [child_href]

这里<a>标签就是表示超链接，herf元素的含义就是引用子链接，是基于当前域名添加路径定位到我们需要的位置。所以我们需要把之前代码中写到的域名domain和子页面地址拼接起来。

打印出来发现链接多了一个斜杠，我们使用strip函数去掉，然后递归地保存到列表中就好了。

关于超链接<a>的知识请访问HTML链接

第五步，访问提取子页面内容

源代码90行开始出现了我们需要的信息，如图所示

# 提取子页面内容
obj3 = re.compile(r'◎片　　名(?P<moviename>.*?)<br />.*?<td '
                  r'style="WORD-WRAP: break-word" bgcolor="#fdfddf"><a href="(?P<download>.*?)">', re.S)
for href in child_href_list:
    child_resp = requests.get(href)
    child_resp.encoding = 'gb2312'
    # print(child_resp.text)
    result3 = obj3.finditer(child_resp.text)
    for j in result3:
        moviename = j.group("moviename")
        download = j.group("download")
        print(moviename)
        print(download)
    # break  # 测试用
child_resp.close()

根据已知信息，写出正则表达式，进行预处理，拿到片名和迅雷种子。

之后进行递归，把子页面列表中的链接都遍历一遍，就得到了2022必看榜单片名及种子了。

完整代码

# 思路：
# 1.定位到2022必看片
# 2.从2022必看片中提取子页面的链接地址
# 3.请求子页面的链接地址，拿到我们想要的下载地址。（迅雷种子）
import re

import requests

domain = "见评论区"  # domain就是url，换了个说法
resp = requests.get(domain, verify=False)  # 如果报错，可能是http's'的问题。那么就需要加一个参数' verify = False '，不进行安全校验
# print(resp.text)  # 中文编码默认是utf-8，但是test出现乱码，说明编码方式出现问题
# 观察发现<META http-equiv=Content-Type content="text/html; charset=gb2312">中charset=gb2312，所以采用gb2312编码
resp.encoding = 'gb2312'  # 指定字符集
# print(resp.text)
resp.close()

# 定位成功
obj1 = re.compile(r"2022必看热片.*?<ul>(?P<ul>.*?)</ul>", re.S)
result1 = obj1.finditer(resp.text)
for it in result1:
    ul = it.group('ul')
    # print(ul)

# html中，a标签表示超链接，点击对应的对象就会跳转到href引用的链接中，title是鼠标选中以后浮现出的提示文字，主要需要href中的子页面链接
# 提取子页面链接
obj2 = re.compile(r"<a href='(?P<href>.*?)'", re.S)
result2 = obj2.finditer(ul)
child_href_list = []
for i in result2:
    href = i.group('href')
    # 拼接子页面url地址：域名+子页面地址（这里多了一个斜杠，要strip掉）
    child_href = domain + href.strip("/")
    # print(child_href)  # 为了方便，把它们装进列表里
    child_href_list.append(child_href)  # 把子页面链接保存起来
    # 37 + 38 = child_href_list = [child_href]
    # child_href_list = [child_href]

# 提取子页面内容
obj3 = re.compile(r'◎片　　名(?P<moviename>.*?)<br />.*?<td '
                  r'style="WORD-WRAP: break-word" bgcolor="#fdfddf"><a href="(?P<download>.*?)">', re.S)
for href in child_href_list:
    child_resp = requests.get(href)
    child_resp.encoding = 'gb2312'
    # print(child_resp.text)
    result3 = obj3.finditer(child_resp.text)
    for j in result3:
        moviename = j.group("moviename")
        download = j.group("download")
        print(moviename)
        print(download)
    # break  # 测试用
child_resp.close()

运行结果

可以看到片名和迅雷种子都成功提取了，完成！

总结

我们今天又用正则法爬取2022必看电影名和其迅雷下载链接，再次锻炼了re模块的使用方法。下一期我们将简要介绍一下HTML语法，方便我们今后bs4和xpath的学习。关于 HTML教程我主页已经有一个专栏供大家学习了，这里放个传送门HTML教程

Vec_Kun

关注

3
点赞
踩
8

收藏

觉得还不错? 一键收藏
打赏
2
评论
07. 实战：Python正则法抓取某网站2022必看片迅雷种子

上一节我们讲到了Python正则法抓取某电影网Top250信息，这一节再进行一个简单的正则法抓取例子：抓取“盗版天堂”的迅雷种子资源！我们今天又用正则法爬取2022必看电影名和其迅雷下载链接，再次锻炼了re模块的使用方法。下一期我们将简要介绍一下HTML语法，方便我们今后bs4和xpath的学习。关于 HTML教程我主页已经有一个专栏供大家学习了，这里放个传送门HTML教程。
复制链接

扫一扫