Python学习--Day12--实战--原生爬虫

Day12--实战--原生爬虫

🧸一、分析抓取目的确定抓取页面

爬取主播人气排行

🧸二、整理爬虫常规思路

# 明确目的
# 找到数据对应的网页
# 分析网页的结构找到数据的标签位置


# 模拟HTTP请求,向服务器发送请求,获取服务器返回给我们的HTML
# 用正则表达式提取我们需要的数(主播的名字和名气)

🧸三、数据提取层级分析及原则三、正则分析HTML、正则分析获取名字和人数 (数据精炼、 sorted 排序)

from urllib import request
import re
class Spider():
    url = 'https://www.huajiao.com/category/1000'
    root_pattern = '<div class="username clearfix">([\s\S]*?)</div>'     # 用正则表达式的组
    name_pattern = '<p class="name fl">([\s\S]*?)</p>'
    number_pattern = '<span class="watches fr">([\s\S]*?)</span>'

    def __fetch_content(self):  # __XXX 私有方法
        r = request.urlopen(Spider.url)
        # bytes
        htmls = r.read()
        htmls = str(htmls, encoding='utf-8')  # 把字节转换为文本

        return htmls

    # 数据分析
    def __analysis(self, htmls):
        root_html = re.findall(Spider.root_pattern, htmls)

        anchors = []
        for html in root_html:
            name = re.findall(Spider.name_pattern, html)
            number = re.findall(Spider.number_pattern, html)
            anchor = {'name': name, 'number': number}
            anchors.append(anchor)

        # print(root_html[0])
        # print(anchors)
        return anchors

    # 数据精炼
    def __refine(self, anchors):
        l = lambda anchor: {'name': anchor['name'][0].strip(),
                            'number': anchor['number'][0].strip()}
        return map(l, anchors)

    # 排序
    def __sort(self, anchors):
        anchors = sorted(anchors, key=self.__sort_seed, reverse=True)
        return anchors

    # 排序种子
    def __sort_seed(self, anchor):
        # 提取数字
        r = re.findall('\d*', anchor['number'])
        number = float(r[0])
        # 处理文本 ‘万’
        if '万' in anchor['number']:
            number *= 10000
        return number

    # 展示
    def __show(self, anchors):
        # for anchor in anchors:
        #    print(anchor['number'])
        for rank in range(0, len(anchors)):
            print('rank' + str(rank + 1)
                  + ' : ' + anchors[rank]['name']
                  + ' : ' + anchors[rank]['number'])

    def go(self):  # 入口方法(主方法)
        htmls = self.__fetch_content()
        anchors = self.__analysis(htmls)
        anchors = list(self.__refine(anchors))
        anchors = self.__sort(anchors)
        self.__show(anchors)
        # print(anchors)


spider = Spider()
spider.go()
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值