标签:mount tps comm ref 文章 stat taf pandas users
参考链接:http://www.python(tab).com/html/2017/pythonhexinbiancheng_0904/1170.html(去除括号)
http://blog.csdn.net/eastmount/article/details/51082253
首先本文参考了上述两篇文章,爬取豆瓣电影栏目上“看不见的客人短评”,并将其导入cvs。
关于正则匹配多行html,实际上需要在原有基础上加入re.S。
这样,每行行末尾将通过“\n+空格”的形式呈现出来。
而实际上匹配可以通过.*?直接过滤掉。
详情可看第13行。
另说python的pandas模块,使用DataFrame的to_cvs导入还需要进行编码转换,避免乱码。
1 #coding=utf-8 2 import requests 3 import re 4 import pandas as pd 5 headers={ 6 ‘User-Agent‘:‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36‘, 7 ‘Host‘:‘movie.douban.com‘ 8 } 9 cookies={‘Cookie‘:‘你自己的COOKIE‘} 10 url=‘https://movie.douban.com/subject/26580232/comments?status=P‘ 11 html=requests.get(url,headers=headers,cookies=cookies) 12 reg=re.compile(r‘<a href="(.*?)&status=P".*?class="next">‘) 13 ren=re.compile(r‘<span class="comment-info">.*? class="">(.*?)</a>.*?<span>.*?title="(.*?)"></span>.*?<span.*? title="(.*?)">.*?<p class="">(.*?)\n‘,re.S) 14 while html.status_code==200: 15 url_next=‘https://movie.douban.com/subject/26580232/comments‘+re.findall(reg,html.text)[0] 16 keren=re.findall(ren,html.text) 17 data=pd.DataFrame(keren) 18 print(data) 19 print(url_next) 20 data.to_csv(‘/Users/b1ancheng/Desktop/kerenduanping.csv‘,header=False,index=False, mode=‘a+‘,encoding="utf_8_sig") 21 data=[] 22 keren=[] 23 html=requests.get(url_next,headers=headers,cookies=cookies)
望兄多提意见,共同进步。
关于html的多行匹配,正则re.S的使用(爬取豆瓣电影短评)
标签:mount tps comm ref 文章 stat taf pandas users
原文地址:http://www.cnblogs.com/b1ancheng/p/7680282.html