前几天博主学习了python之后便开始着手于学校所要求的实验了,因为学校要求从网上自己爬数据下来分析,所以对爬虫一无所知的我,在下了很大决心之后,决定用并不是很熟悉的python语言来写一个简单的爬虫,由于学习python时间并不长,所以这个实验权当练手了(因为是考试周,所以会尽可能的往简单了写)。
首先,通过百度了解到,python写爬虫会用到urllib和urllib2这两个库,便去简单的学习了一下这两个库,这两个库呢其实并不难,核心内容主要是request和response的使用,request(url,data,headers),好了,下面记录一下我这彩笔爬虫的基本实现步骤。
构建一个爬虫类,代码如下:
class DZDP:#emmmm,为什么是dzdp呢,因为我一开始不知道天高地厚,妄想去爬大众点评的,结果人家有反爬虫的,解决方法太麻烦,因为赶时间,所以换了一个网站
def __init__(self,baseUrl1,baseUrl2):#这里最好只穿一个url,因为网站的原因,所以我脑残用了两
self.baseURL1=baseUrl1
self.baseURL2=baseUrl2
#传入页码,获取该页帖子的代码
def getPage(self,pageNum):#简单的获取每一页的内容
headers={"User-Agent":"Mozilla/5.0 (Linux; Android 4.0.4; Galaxy Nexus Build/IMM76B) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.133 Mobile Safari/535.19"}
try:#把自己伪装成服务器
url = self.baseURL1+str(pageNum)+self.baseURL2
request = urllib2.Request(url,headers=headers)
response = urllib2.urlopen(request)
return response.read()
except urllib2.URLError, e:
if hasattr(e,"reason"):
print u"链接失败",e.reason
return None
由于时间问题,我只是将数据导入了txt中,进行了简单的统计,并没有做复杂的处理
整个代码:
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
class DZDP:
def __init__(self,baseUrl1,baseUrl2):
self.baseURL1=baseUrl1
self.baseURL2=baseUrl2
#传入页码,获取该页帖子的代码
def getPage(self,pageNum):
headers={"User-Agent":"Mozilla/5.0 (Linux; Android 4.0.4; Galaxy Nexus Build/IMM76B) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.133 Mobile Safari/535.19"}
try:
url = self.baseURL1+str(pageNum)+self.baseURL2
request = urllib2.Request(url,headers=headers)
response = urllib2.urlopen(request)
return response.read()
except urllib2.URLError, e:
if hasattr(e,"reason"):
print u"链接失败",e.reason
return None
baseurl1='http://bbs.voc.com.cn/forum-77-'
baseurl2='.html'
pagenum=''
dzdp=DZDP(baseurl1,baseurl2)
musicType={"156":0,"159":0,"160":0,"164":0,"165":0,"166":0,"769":0,"707":0,"712":0,"734":0,"735":0,"747":0,"766":0}
index=0
pattern=re.compile(r"typeid=.*")
num=1
fo=open("lab2Data.txt","w")
while index<876:
str1=dzdp.getPage(index)
index=index+1
match = re.findall(pattern,str1)
for m in match:
fo.write(m)
s1=m[7:10]
try:
a=musicType[s1]
musicType[s1]=a+1
except:pass
print "当前页数:"+str(num)
num=num+1
print musicType
fo.close()