Python 网络爬虫单线程版

标签：python 网络爬虫

re.S让.能够匹配\n，默认情况点是不能匹配换行符的

1.爬取网页源码中的图片

#-*- coding:utf-8 -*-
import re
import requests
with open(‘source.txt‘, ‘r‘) as f:
    html = f.read()

#匹配图片网址，括号中为需要返回的内容
pic_url = re.findall(‘img src="(.*?)" class="lessonimg"‘, html, re.M)
i = 0
for each in pic_url:
    print "now downloading:"+each
    pic = requests.get(each)
    fp = open(‘pic\\‘+str(i)+‘.jpg‘, ‘wb‘)
    fp.write(pic.content)
    fp.close()
    i += 1

2.突破反爬虫机制伪装成浏览器设置headers

#-*- coding:utf-8 -*-

import requests
import sys
import re
#很多情况下sys.defaultencoding是ascii
reload(sys)
sys.setdefaultencoding("utf-8")
type = sys.getdefaultencoding()
print type

headers = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; rv:42.0) Gecko/20100101 Firefox/42.0‘}
html = requests.get(‘http://jp.tingroom.com/yuedu/yd300p/‘, headers=headers)
html.encoding = ‘utf-8‘
print html.text

for japanese in re.findall(‘<span style="color:#666666;">(.*?)</span>‘, html.text, re.S):
    print japanese

for chinese in re.findall(‘style="color: #039;">(.*?)</a>‘, html.text, re.S):
    print chinese

3.发起post请求

#-*- coding:utf-8 -*-
import re
import requests


url = ‘http://www.crowdfunder.com/browse/deals&template=false‘
data = {
    ‘entities_only‘: ‘true‘,
    ‘page‘: ‘3‘
}
html_post = requests.post(url, data=data)

title = re.findall(‘class="card-title">(.*?)</div>‘, html_post.text, re.S)
print title
for each in title:
    print each

4.爬取极客学院课程详细信息

re.search匹配第一个

re.findall匹配所有

# coding=utf-8
__author__ = ‘scaleworld‘
import requests
import re
import sys

reload(sys)
sys.setdefaultencoding("utf-8")


class Spider(object):
    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‘)  #函数返回指定键的值，如果值不在字典中返回默认值,不会报异常
            # 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。‘

本文出自 “点滴积累” 博客，请务必保留此出处http://tianxingzhe.blog.51cto.com/3390077/1726527

Python 网络爬虫单线程版

标签：python 网络爬虫

原文地址：http://tianxingzhe.blog.51cto.com/3390077/1726527