Python学习：爬虫示例

本篇是在学习Python基础知识之后的一次小小尝试，这次将会爬取熊猫TV网页上的王者荣耀主播排名，在不借助第三方框架的情况下演示一个爬虫的原理。

一、实现Python爬虫的思路

第一步：明确目的

1.找到想要爬取数据的网页

2.分析网页结构，找到需要爬取数据所在的标签位置

第二步：模拟Http请求，提取数据，加工数据

1.模拟Http网络请求，向服务器发送请求，获取服务器返回给我们的html

2.使用正则表达式从Html中提取我们需要的数据(比如本例中的主播名字和人气)

3.对提取的数据进行加工，显示成我们可以直观查看的形式

二、查看网页源码，观察关键值

我们应该首先找到需要处理的网页，即:熊猫TV网页上的王者荣耀，然后查看这个网页的源代码，观察我们需要关注的数据在哪个位置，下面是我们截取的网页效果图：

然后，我们需要在浏览器中查看当前网页的Html源码，不同的浏览器中查看的操作会有所不同，这个需要自行百度一下。此次我们需要找到每个主播的名字和视频的浏览量，从源码中我们可以很快发现这些关键数据的位置如图中的标注：

三、实现Python爬虫的具体实践

下面就是实现爬取数据的具体操作了，这里是创建了一个爬虫类Spider，然后使用不同的正则获取Html标签里的数据，进而将其重新整理后打印显示，具体的代码如下：

from urllib import request #导入模块urllib，用于发起网络请求，获取数据

import re #导入模块re，用于实现正则提取信息

class Spider():

#需要抓取的网络链接

url = "https://www.panda.tv/cate/kingglory"

#正则：获取显示视频信息的div代码串

reString_div = '<div class="video-info">([\s\S]*?)</div>'

#正则：获取主播名

reString_name = '</i>([\s\S]*?)</span>'

#正则：获取视频浏览量

reString_number = '<span class="video-number">([\s\S]*?)</span>'

def __fetch_content(self):

'''

这里是方法注释

请求网络，获取整个网页的Hmtl字符串

'''

r = request.urlopen(Spider.url)

data = r.read()

htmlString = str(data,encoding="utf-8")

return htmlString

def __alalysis(self,htmlString):

'''

使用正则初步获取数据，得到主播信息(主播名和浏览量)的数组

'''

videoInfos = re.findall(Spider.reString_div,htmlString)

anchors = []

#print(videoInfos[0])

for html in videoInfos :

name = re.findall(Spider.reString_name,html)

number = re.findall(Spider.reString_number,html)

anchor = {"name":name,"number":number}

anchors.append(anchor)

#print(anchors[0])

return anchors

def __refine(self,anchors):

'''

将数据进一步提炼，去除空格等多余字符

'''

f = lambda anchor :{"name":anchor["name"][0].strip(),"number":anchor["number"][0]}

newAnchors = list(map(f,anchors))

#print(newAnchors)

return newAnchors

def __sort(self,anchors):

'''

数据分析：排序浏览量从大到小

'''

anchors = sorted(anchors,key=self.__sort_seed,reverse = True)

return anchors

def __sort_seed(self,anchor):

'''

排序规则

'''

list_nums = re.findall('\d*',anchor["number"])

number = float(list_nums[0])

if '万' in anchor["number"]:

number = number * 10000

return numbe

def __show(self,anchors):

'''

展示数据，将已经排序好的数据打印出来

'''

for rank in range(0,len(anchors)):

print("第" + str(rank+1) +"名：" + anchors[rank]["number"] + "\t" + anchors[rank]["name"])

def startRun(self):

'''

程序入口，开始运行爬虫

'''

htmlString = self.__fetch_content()

anchors = self.__alalysis(htmlString)

anchors = self.__refine(anchors)

anchors = self.__sort(anchors)

self.__show(anchors)

#创建爬虫类，爬取数据

spider = Spider()

spider.startRun()

资料：

《Python爬虫》：www.smpeizi.com

《Python学习》：www.idiancai.com

《Python基础大全》：www.pzzs168.com

《Python框架》：www.aiidol.com