此文承接上文,让我们写一个简简单单的爬虫,循序而渐进不是吗?此次进行的练习是爬取前5页什么值得买网站中的白菜价包邮信息。包括名称,价格,推荐人,时间。
我们所需要做的工作:1.确定URL并获得页面代码。 2.用正则匹配每件商品我们所需要的内容 3.打印信息 我还是直接上代码吧,具体步骤看注释就好啦!(代码会引用HttpClient.py,可以参考之前的SmartQQ协议一文)!
1 # -*- coding: utf-8 -*-
2 import re,time,os
3 from HttpClient import HttpClient
4 class Smzdm(HttpClient):
5 def __init__(self):
6 self.__pageIndex = 1
7 self.__Url = "http://faxian.smzdm.com/9kuai9/p"
8
9 #正则得到每页商品信息
10 def __getAllGoods(self,pageIndex):
11 realurl = self.__Url + str(pageIndex)
12 pageCode = self.Get(realurl)
13 pattern = re.compile('<h2 .*?itemName"><a.*?<span .*?black">(.*?)</span><span .*?red">(.*?)</span></a></h2>.*?'+
14 '<div .*?itemUserInfo">.*?<a .*?<span .*?rankTitle">(.*?)</span>.*?<span .*?time">(.*?)</span>',re.S)
15 items = re.findall(pattern,pageCode.decode("utf-8"))
16 for item in items:
17 print item[0],item[1],item[2],item[3]
18
19 def start(self):
20 print("正在读取前五页白菜价包邮,请稍等...")
21 for i in range(1,6):
22 print i
23 self.__getAllGoods(i)
24
25 pc = Smzdm()
26 pc.start()
执行结果如下:
是不是感觉,代码怎么这么少,这就搞定了?YES!
稍微解释一下思路,一般类似于这种网站都是页面+页号构成url。所以定义一个基础url,根据传入的页号构造一个真实的url。通过urllib2模块访问页面得到页面代码,通过构造正则pattern,调用re.findall()函数找到当前页面所有的信息,然后打印出来。一个功能智障,代码简单的爬虫就造好了,easy的会了default的当然就水到渠成了,接下来你可以去试试糗事百科的段子,百度贴吧的帖子,网易新闻的留言等等!另外,我的环境为2.7.10,python3以下需要注意编码问题,到处都是坑!