爬虫虎牙网站lol主播人气和姓名（附人气值排名新方法）

爬虫虎牙网站lol主播人气和姓名（附人气值排名新方法）

1. 大家好，我是bd，新人小白，这是我第一次尝试将自己对于爬虫知识的一些心得分享给大家。由于是最近刚接触python，所以在学习完爬虫这个知识点后自己动手尝试了一下，对象就是虎牙lol主播姓名和人气值排名的爬取，废话不多说，直接开始。（在编写的过程中参考了作者一曲无痕奈何的避坑贴士，让自己顺利编码，感谢！附链接https://blog.csdn.net/qq_41479464/article/details/91048147）

import re
from urllib import request
class Spider( ):
    url = 'https://www.huya.com/g/wzry'
    # 正则
    root_pattern = '<span class="txt">([\s\S]*?)</li>'  #结尾</span>并没有包含 人气值，这种情况下需要结尾处再往下找
    name_pattern = '<i class="nick" title="([\s\S]*?)">([\s\S]*?)</i>' #此时会输出元组，包含两个名字，注意此处的用法
    number_pattern='<i class="js-num">([\s\S]*?)</i>'

    #获取要爬取的html
    def __fetch_content(self): #定义私密实例方法
        r=request.urlopen(Spider.url)#类调用类变量
        htmls=r.read()
        htmls=str(htmls,encoding='utf-8')
        return htmls

    #利用正则表达式匹配需要数据
    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)#正则表达式返回列表,name列表[('姓名')，('姓名')]
            number=re.findall(Spider.number_pattern,html)
            anchor={'name':name,'number':number}
            anchors.append(anchor)
        print(anchors[0:10])
        return anchors

    #过滤重复名字以及将anchor和number里内容以字符串输出
    def __refine(self,anchors):
        l=lambda anchor:{'name':anchor['name'][0][0],'number':anchor['number'][0]}
        r=map(l,anchors) #map格式需要转化成list，才能输出
        # print(list(r))
        return r

    # 排序，按照人气值数值大小
    def __sort(self,anchors):
        anchors=sorted(anchors,key=self.__sort_seed,reverse=True)
        return anchors

    #将人气值数值取出来，作比较 单个anocher
    def __sort_seed(self,anchor):
        r=re.findall('[\d.]*',anchor['number'])
        number=float(r[0])
        print(r,number)
        if ',' in anchor['number']:
            number=number*1000+float(r[2])
            print(number)
        if '万' in anchor['number']:
            number*=10000
        print(number)
        return number
    def __show(self,anchors):
        for rank in range(0,len(anchors)):
            print('rank'+':'+str(rank+1)+' '+anchors[rank]['name']+':'+anchors[rank]['number'])

    def go(self):
        htmls=self.__fetch_content() #获取爬取页面htmls
        anchors=self.__analysis(htmls) #解析获取页面htmls,寻找到所需姓名和人气
        anchors=list(self.__refine(anchors))
        anchors=self.__sort(anchors)
        self.__show(anchors)
spider=Spider()
spider.go()

3. 上述代码中有三点要和大家分享，下面一一来叙述
   （1）虎牙网站主播姓名和人气值正则表达式的匹配
   
   这是参考博主的方法,不然我就要炸了

root_pattern = '<span class="txt">([\s\S]*?)</li>'  #结尾</span>并没有包含 人气值，这种情况下需要结尾处再往下找
    name_pattern = '<i class="nick" title="([\s\S]*?)">([\s\S]*?)</i>' #此时会输出元组，包含两个名字，注意此处的用法
    number_pattern='<i class="js-num">([\s\S]*?)</i>'

（2）人气值与主播姓名的提炼
从上图可以看出，在源代码中主播姓名出现了两次，因此精炼数据时值需要出现1次即可

 def __refine(self,anchors):
        l=lambda anchor:{'name':anchor['name'][0][0],'number':anchor['number'][0]}
        r=map(l,anchors) #map格式需要转化成list，才能输出
        return r

    name列表：[('姓名'，'姓名')]，因此采用anchor['name'][0][0]提取     

（3）！！！！！人气值排名！！！！

由于学习资料和查询的博主都是采用这种方式，但是我在实操的过程中出现了不能正确匹配的情况，这主要是人气值超过1000万时，在python正则表达式输出时会是[‘1’,’ ',‘000’]，选择浮点数输出时只会输出‘1’，因此会出现错误。我自己想了一个更正的办法，即加入if()函数，使人气超过1000万时也可以正常显示。代码如下：

 r=re.findall('[\d.]*',anchor['number'])
        number=float(r[0])
        print(r,number)
        if ',' in anchor['number']:
            number=number*1000+float(r[2])
            print(number)

加入该函数后可以保证人气在9999万以下正确输出，人气过亿就得重调代码了，目前主播人气在线人气还没有破亿的吧，2333。

4. 以上就是我这个代码小白在学习python原生爬虫遇到的问题，希望分享给大家，顺利跳坑。