码迷,mamicode.com
首页 > 其他好文 > 详细

基于requests实现极客学院课程爬虫

时间:2015-09-06 01:11:16      阅读:233      评论:0      收藏:0      [点我收藏+]

标签:

背景

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。

开发环境

操作系统:windows 10

Python :Python 2.7

IDE:PyCharm 4.5.3

安装requests

在CMD命令提示窗口敲以下一行命令即可安装。

pip install requests

实现代码

# 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( + 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。 

抓取结果示例

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

……

结语

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。

基于requests实现极客学院课程爬虫

标签:

原文地址:http://www.cnblogs.com/scaleworld/p/4784280.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!