标签:
本文主要是为了完成极客学院课程《Python 单线程爬虫》中讲师布置的实战作业。
操作系统:windows 10
Python :Python 2.7
IDE:PyCharm 4.5.3
在CMD命令提示窗口敲以下一行命令即可安装。
pip install requests
# coding=utf-8 __author__ = ‘scaleworld‘ import requests import re import sys reload(sys) sys.setdefaultencoding("utf-8") class Spider: def __init__(self): print ‘开始爬取极客学院课程信息。。。‘ # 获取源代码 def getSource(self, url): html = requests.get(url) return html.text # 获取每个课程块信息 def getLessons(self, source): lessons = re.findall(‘deg="0" >(.*?)</li>‘, source, re.S) return lessons # 获取课程信息,如课程名称、课程介绍、课程时间、课程等级、学习人数 def getLessonInfo(self, lesson): info = {} info[‘title‘] = re.search(‘<h2 class="lesson-info-h2"><a(.*?)>(.*?)</a></h2>‘, lesson, re.S).group(2).strip() info[‘desc‘] = re.search(‘<p style="height: 0px; opacity: 0; display: none;">(.*?)</p>‘, lesson, re.S).group( 1).strip() timeandlevel = re.findall(‘<em>(.*?)</em>‘, lesson, re.S) info[‘time‘] = timeandlevel[0].strip().replace("\n", "").replace(" ", "") info[‘level‘] = timeandlevel[1].strip() info[‘learnNumber‘] = re.search(‘"learn-number">(.*?)</em>‘, lesson, re.S).group(1).strip() return info # 保存课程信息到文件LessionInfos.txt def saveLessionInfos(self, lessonInfos): # ‘w‘:只写,会覆盖之前写入的内容 # 也可以用‘a‘:追加到文件末尾 # 如果文件不存在,则自动创建文件 f = open(‘LessionInfos.txt‘, ‘w‘) i = 0 for each in lessonInfos: i += 1 f.writelines(‘第‘ + str(i) + ‘个课程:\n‘) f.writelines(‘title:‘ + each[‘title‘] + ‘\n‘) f.writelines(‘desc:‘ + each[‘desc‘] + ‘\n‘) f.writelines(‘time:‘ + each[‘time‘] + ‘\n‘) f.writelines(‘level:‘ + each[‘level‘] + ‘\n‘) f.writelines(‘learnNumber:‘ + each[‘learnNumber‘] + ‘\n\n‘) f.close() if __name__ == ‘__main__‘: # 定义课程信息数组 lessonInfos = [] # 课程信息页面url url = ‘http://www.jikexueyuan.com/course/‘ # 实例化爬虫 spider = Spider() # 取[1,21)及1到20页的课程信息 for i in range(1, 21): # 构建分页URL pageUrl = url + ‘?pageNum=‘ + str(i) print ‘正在处理页面:‘ + pageUrl source = spider.getSource(pageUrl) lessons = spider.getLessons(source) for lesson in lessons: lessonInfo = spider.getLessonInfo(lesson) lessonInfos.append(lessonInfo) # print ‘title:‘+lessonInfo.get(‘title‘) # print ‘desc:‘+lessonInfo.get(‘desc‘) # print ‘time:‘+lessonInfo.get(‘time‘) # print ‘level:‘+lessonInfo.get(‘level‘) # print ‘learnNumber:‘+lessonInfo.get(‘learnNumber‘) print ‘已处理‘ + str(lessons.__len__()) + ‘个课程信息。‘ print ‘极客学院课程信息爬取完毕,正在保存课程信息。。。‘ spider.saveLessionInfos(lessonInfos) print ‘极客学院课程信息保存完毕。‘
第1个课程:
title:WordPress 主题模板文件
desc:本课程主要介绍构成 WordPress 主题的模板文件,模板文件的引用和模板文件的层次体系。
time:3课时36分钟
level:中级
learnNumber:2215人学习
第2个课程:
title:Android 开发规范
desc:本课程主要为大家讲解在 Android 开发中搭建项目时,整体的设计架构风格和规范以及基础架构、代码命名和编写规范等等。
time:3课时41分钟
level:初级
learnNumber:2874人学习
……
极客学院是个非常好的学习网站,大家可以点此链接获取免费的30天VIP福利。
标签:
原文地址:http://www.cnblogs.com/scaleworld/p/4784280.html