Python3实战—原生爬虫

基本步骤：

                  1.明确目的

                  2.找到数据对应的网页，分析网页结构找到数据所在的标签位置

                  3.模拟HTTP请求，向服务器发送这个请求，获取服务器返回的HYML

                  4.用正则表达式提取 所需数据（主播名、人气）

                  5.精炼数据、处理数据、存储数据

目的：

                  爬取熊猫直播英雄联盟主播人气排行

原理：

                  对HTML文件进行文本分析，从而提取出所需数据

分析网页结构：

数据的获取与处理

import re
from urllib import request


class Spider():
    url = 'https://www.panda.tv/cate/lol?pdt=1.24.s1.3.7o5937s6suv'
    root_pattern = '<div class="video-info">([\s\S]*?)</div>'
    name_pattern = '</i>([\s\S]*?)</span>'
    number_pattern = '<span class="video-number">([\s\S]*?)</span>'

    # 私有方法，获取数据
    def __fetch_content(self):
        r = request.urlopen(Spider.url)
        htmls = r.read()
        htmls = str(htmls, encoding='utf-8')
        return htmls

    # 正则分析html
    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)
        return anchors

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

    # 数据排序
    def __sort(self,anchors):
        anchors = sorted(anchors,key = self.__sort_seed,reverse=True)
        return anchors
    def __sort_seed(self,anchor):
        r = re.findall('\d*',anchor['number'])
        number = float(r[0])
        if '万' in anchor['number']:
            number *=10000
        return number

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

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


spider = Spider()
spider.go()

结果：