python正则去掉base64的头部_Python爬虫爬取豆瓣TOP250和网易云歌单

python爬虫（网易云）笔记

• 先推荐找一些视频资料学习一下，实在没有的话，又不舍得花钱，我这里有些资料，可以免费赠送。
• 最后爬取的结果如下：

基本流程

• 准备工作
  • 查看页面整体html框架，分析标签
• 获取数据
  • 写一个askurl函数获取整个页面内容，传入一个链接地址作为参数

一定注意：网址除去/和#不然会获取到没有有用信息的代码段并且会被反爬
（但其实去除符号之后得到了歌曲信息其他还是被加密了,自己分清楚哪些可以爬哪些不行，一定要根据自己代码爬出的页面去写后面的，而不是光看F12以后的页面元素）

• • urllib.Request生成请求 urllib.urlopen发送请求获取响应 read读取

注意头部信息处理

• • 设置异常处理加入异常捕获try except语句

except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):  # 什么原因导致没有打印成功
            print(e.reason)    #打印出来可能会有404，500等错误

• 逐一解析内容:利用正则表达式和页面解析库bs

在getdata函数中由于img标签的正则表达式的错误导致产生了很多多余的不要的信息

• [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-seeHQiex-1595850838299)(./}7JHYL5O0$GDL692DCFTI8.png)]
• 保存数据:用xlwt保存到excel表格里

注意小点

• 一些库的说明
  • bs4网页解析获取数据（爬完网页将数据进行拆分）；
  • re正则表达式进行文字匹配（进行数据的提炼）；
  • urllib.request,.error制定url获取网页数据（给网页就能爬）;
  • xlwt进行excel操作（存到excel）
  • sqlite3进行SQLITE数据库操(存到数据库)
• 发起请求：
  • urlopen方法可以实现最基本的请求的发起，但是如果要加入headers等信息，就可以用Request类来构造请求。此时要注意头部信息的空格的处理
• 从爬取歌单界面进入每一个歌单内部，发现歌单的链接和歌曲的链接只是后面id后缀的值不同可以用列表将其保存再利用列表进入链接内部
• 原本页面信息链接的符号多余或者一些http的省略要用拼串接上
  例如获取歌单链接时：data.append("https://music.163.com/"+link)

for i in range(0,70):
        a=datalist[i][0]
        a=a[0:22]+a[23:]  #除去多余的/
        baseurl2.append(a)

• 几个正则表达式设置为全局变量

#70个歌单的链接
findLink=re.compile('<a class="msk" href="(.*?)" title="(.*?)"></a>')
#歌单名字
findAlbum=re.compile('<a class