第13章所讲重点为：原生爬虫
13-1分析抓取目的确定抓取页面
# 13-1分析抓取目的确定抓取页面
# 13-2 整理爬虫常规思路
爬虫前奏：
明确目的
找到数据对应的网页
分析网页的结构找到数据所在的标签位置
模拟HTTP请求， 向服务器发送这个请求，获取到服务区返回给我们的HTML
用正则表达式提取我们需要的数据（名字，人气）
# 13-3 VSCode中调试代码
import re
from urllib import request #通过Python内置的库来模仿HTTP请求获取要爬取的网页
class Spider():
url = 'https://www.panda.tv/cate/lol'#保存要抓取的地址
root_pattern = '<div> class="video-info">[\s\S]*?</div>'
def __fetch_content(self):#获取网页的内容，实例方法需要加self
r = request.urlopen(Spider.url)#通过request下面的方法来获取网页信息，并且将信息传递进来
htmls = r.read()#将网页内容读取出来
htmls = str(htmls,encoding = 'utf-8')#文本转换
return htmls
def __analysis(self,htmls):#分析文本
root_html = re.findall(Spider.root_pattern,htmls)
def go(self):#入口方法
htmls = self.__fetch_content()
self.__analysis(htmls)
spider = Spider()
spider.go()
# 13-4 HTML结构分析基本原则二条
就近原则
特定的标识符或者标签！
# 13-4 HTML结构分析基本原则二条
尽量选择可以闭合的标签作为定位标签
# 13-6 正则分析HTML
import re
from urllib import request #通过Python内置的库来模仿HTTP请求获取要爬取的网页
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
class Spider():
url = 'https://www.panda.tv/cate/lol'#保存要抓取的地址
root_pattern = '<div class="video-info">([\s\S]*?)</div>'#注意用正则表达式分析我们所提取的内容
name_pattern = '</i>([\s\S]*?)</span>'#根据思维导图第二步，名字匹配
number_pattern = '<span class="video-number">([\s\S]*?)</span>'#根据思维导图第二步，人数匹配
def __fetch_content(self):#获取网页的内容，实例方法需要加self
r = request.urlopen(Spider.url)#通过request下面的方法来获取网页信息，并且将信息传递进来
htmls = r.read()#将网页内容读取出来
htmls = str(htmls,encoding = 'utf-8')#将字节码转换成文本方法
return htmls
def __analysis(self,htmls):#定义一个实例方法。分析文本，进入网页分析页面信息
root_html = re.findall(Spider.root_pattern,htmls)
anchors = []#定义一个anchors的列表
for html in root_html:#for循环遍历
name = re.findall(Spider.name_pattern,html)
number = re.findall(Spider.number_pattern,html)
anchor = {'name':name,'number':number}#打印成字典形式
anchors.append(anchor)#在列表中添加元素的方法
# print(root_html[0])#打印一个结果看看，进一步分析我们所需要的数据，如图5
# print(anchors[0])
return anchors
def __refine(self,anchors):#爬虫里面最精炼的一个环节，精炼环节.去掉空格换行符
l = lambda anchor:{
'name':anchor['name'][0].strip(),
'number':anchor['number'][0]
}#lambda函数配合内置函数
return map(l,anchors)
def __sort(self,anchors):#排序
anchors = sorted(anchors,key=self.__sort_seed,reverse = True)#使用sorted的注意事项，一定要指定key的值
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
def __show(self,anchors):#展示打印结果
for rank in range(0,len(anchors)):
# print(anchor['name'] + '-----' + anchor['number'])
print('rank' + str(rank + 1)
+ ' : ' + anchors[rank]['name']
+ ' ' + anchors[rank]['number'])
def go(self):#入口方法。所有的方法都会经过go方法总控
htmls = self.__fetch_content()
anchors = self.__analysis(htmls)#传入anchors
anchors = list(self.__refine(anchors))
anchors = self.__sort(anchors)
self.__show(anchors)
spider = Spider()
spider.go()
# 总结如下：
'''
beautifulsoup
scrapy
'''
image
image
image
image
image
打印效果如下：
image
在做爬虫的时候Python3中很有可能会出现如图1的情况：
image
解决办法如图2的红框部分，把红框上的代码添加上去以后问题即可解决
image
