python爬虫笔记之爬取足球比赛赛程
python爬虫笔记之爬取足球比赛赛程
逆向小白
发布于 2018-09-12 15:53:20
发布于 2018-09-12 15:53:20
目标：爬取某网站比赛赛程，动态网页，则需找到对应ajax请求（具体可参考：https://blog.csdn.net/you_are_my_dream/article/details/53399949）
# -*- coding:utf-8 -*-
import sys
import re
import urllib.request
link = "https://***"
r = urllib.request.Request(link)
r.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36')
html = urllib.request.urlopen(r,timeout=500).read()
html = bytes.decode(html,encoding="gbk")
#返回大量json，需提取
#找出返回json中对应正则匹配的字符串
js = re.findall('"n":"(.*?)"',html)
i=0
#循环打印比赛信息
try:
while(1):
#将字符串Unicode转化为中文，并输出
print (js[i].encode('utf-8').decode('unicode_escape'),js[i+1].encode('utf-8').decode('unicode_escape'),"VS",js[i+2].encode('utf-8').decode('unicode_escape'))
i=i+3
#当所有赛程爬取结束时，会报错“IndexError:list index out of range”，所以进行异常处理
except IndexError:
print ("finished")总结注意点：
1、python 3 采用这个import urllib.request
因为urllib和urllib2合体了。
2、字符串Unicode转为中文需注意python3与python2的表示方法不同：
python3：print 字符串.encode('utf-8').decode('unicode_escape')
python2：print 字符串.decode('unicode_escape')
3、re.findall()
关于这个函数，他的输出内容规律可以参考我之前写的：http://www.cnblogs.com/4wheel/p/8497121.html
【"n":"(.*?)"】 这个表达式只输出(.*?)这部分（为什么，还是参考我之前写的那篇文章），加上问号就是非贪婪模式，不加就是贪婪模式，顺便实践解释下贪婪模式
example：
总结：非贪婪模式就是在满足正则表达式的情况下，尽可能少的匹配。
相反，贪婪模式就是在满足正则表达式的情况下，尽可能多的匹配。
so，爬取结果为：
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2018-04-04 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读