Python网络爬虫(正则, 内涵段子,猫眼电影, 链家爬取)-阿里云开发者社区

开发者社区> 开发与运维> 正文
登录阅读全文

Python网络爬虫(正则, 内涵段子,猫眼电影, 链家爬取)

简介: python、python爬虫、网络爬虫、爬虫框架、selenium、requests、urllib、数据分析、大数据、爬虫爬取静态网页、爬虫基础
正则表达式(re模块):
    数据的分类:
        结构化数据
            有固定的格式 如HTML、XML、JSON
        非结构化数据
            图片、音频、视频 这类数据一般存储为二进制
    正则:
        使用流程:
            创建编译对象:p = re.compile("正则表达式")
            对字符串匹配:r = p.match("字符串")
            获取匹配结果:print(r.group())
        常用方法:
            match(str)  字符串开头的第一个  返回对象
            search(str) 从头开始匹配 只匹配一个 返回对象
            group()     从match或search对象中取值
            findall()   所有全局匹配  返回一个列表
        表达式:
            .   匹配任意字符(除了\n)
            \d  匹配数字
            \s  空白字符
            \S  非空字符
            []  匹配括号内所有内容
            \w  字母、数字、下划线
            *   前一个出现0次或多次
            ?   0次或1次
            +   一次或多次
            {m} m次
            {m, n} m到n次

        贪婪匹配:
            再整个表达式匹配成功前提下 尽可能多的去匹配*
        非贪婪匹配:
            再整个表达式匹配成功前提下 尽可能少的去匹配*
    示例(贪婪模式和非贪婪模式)

import re

s = """<div><p>年发的斯蒂芬是否</div></p>
<div><p>年发的斯蒂芬是否</div></p>
"""
# 创建编译对象 贪婪匹配  re.S代表让.可以匹配\n字符
p = re.compile("<div><p>.*</div></p>", re.S)
# 匹配字符串s
r = p.findall(s)
# 结果为一个列表内只有与一个元素
print(r)

# 非贪婪匹配 用?尽可能少的去匹配
p = re.compile("<div><p>.*?</div></p>", re.S)
# 匹配字符串s
r = p.findall(s)
# 结果为一个列表内有多个元素
print(r)

    findall()的分组

	import re
	#解释 :先按照整体匹配出来,然后再匹配()中的
	# 如果有2个或者多个(),则以元组的方式取显示

	s = "A B C D"
	p1 = re.compile('\w+\s+\w+')
	print(p1.findall(s))
	# ['A B','C D']

	p2 = re.compile('(\w+)\s+\w+')
	# 第1步 :['A B','C D']
	# 第2步 :['A','C']
	print(p2.findall(s))

	p3 = re.compile('(\w+)\s+(\w+)')
	# 第1步 :['A B','C D']
	# 第2步 :[('A','B'),('C','D')]
	print(p3.findall(s))


    7、案例1 :内涵段子脑筋急转弯抓取

# 思路
# 
#  网址 :www.neihan8.com
#   步骤:
#     1、找URL规律
#  第1页:https://www.neihan8.com/njjzw/
#  第2页:https://www.neihan8.com/njjzw/index_2.html
#  第3页:https://www.neihan8.com/njjzw/index_3.html
# 用正则匹配出 题目 和 答案
#   p = re.compile('<div class="text-.*?title="(.*?)".*?<div class="desc">(.*?)</div>',re.S)
# 写代码
#   发请求
#   用正则匹配
#   写入本地文件


import urllib.request
import re
import random


class NeihanSpider(object):
    def __init__(self):
        self.baseurl = "http://www.neihan8.com/wenzi/"
        self.headers = {"User-Agent": "Mozilla/5.0"}
        self.page = 1

    # 下载页面
    def load_page(self, url):
        # 随机获取1个User-Agent
        header_list = [{
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36"},
            {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50"},
            {"User-Agent": "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; GTB7.0)"}]
        headers = random.choice(header_list)
        req = urllib.request.Request(url, headers=headers)
        res = urllib.request.urlopen(req)
        html = res.read().decode("utf-8")
        self.parse_page(html)

    # 解析页面
    def parse_page(self, html):
        p = re.compile(r'''<div class="text-.*?"title="(.*?)">.*?class="desc">(.*?)</div>''')
        r_list = p.findall(html)
        self.write_page(r_list)

    # 保存页面
    def write_page(self, r_list):
        for r_tuple in r_list:
            for r_str in r_tuple:
                with open("急转弯.txt", "a", encoding="gb18030") as f:
                    f.write(r_str.strip() + "\n")

    # 主函数
    def work_on(self):
        self.load_page(self.baseurl)
        while True:
            c = input("是否继续...(y/n)")
            if c.strip().lower() == "y":
                self.page += 1
                url = self.baseurl + "index_1.html"
                self.load_page(url)
            else:
                break


if __name__ == "__main__":
    sipder = NeihanSpider()
    sipder.work_on()
 
    猫眼电影top100榜单,存到csv表格文件中
      网址:猫眼电影 - 榜单 - top100榜
      目标:抓取电影名、主演、上映时间
      知识点讲解
        csv模块的使用流程
  打开csv文件
    with open("测试.csv","a") as f:
  初始化写入对象
    writer = csv.writer(f)
  写入数据
    writer.writerow(列表)

import csv

with open("猫眼.csv", "a") as f:
    # 初始化写入对象
    writer = csv.writer(f)
    writer.writerow(["霸王别姬", "张国荣"])
    writer.writerow(["唐伯虎点秋香", "周星驰"])

      准备工作
        找URL
  第1页:http://maoyan.com/board/4?offset=0
  第2页:http://maoyan.com/board/4?offset=10
  第n页:
    offset = (n-1)*10
正则匹配
  <div class="movie-item-info">.*?title="(.*?)".*?<p class="star">(.*?)</p>.*?releasetime">(.*?)</p>

import random
import re
import urllib.request
import UserAgent
import csv

class MovieRanking(object):
    def __init__(self):
        self.baseurl = "http://maoyan.com/board/4?offset="
        self.headers = random.choice(UserAgent.headers_list)
        self.page = 0

    def read_page(self, url):
        requuest = urllib.request.Request(url, headers=self.headers)
        response = urllib.request.urlopen(requuest)
        html = response.read().decode("utf-8")
        self.parse_page(html)

    def parse_page(self, html):
        p = re.compile(r'''<p class="name".*?title="(.*?)".*?class="star">(.*?)</p>.*?class="releasetime">(.*?)</p>''', re.S)
        movie_list = p.findall(html)
        self.write_page(movie_list)

    def write_page(self, movie_list):
        for movie in movie_list:
            movie_list = [movie[0].strip(), movie[1].strip(), movie[2].strip()]
            with open("猫眼Top.csv", "a", encoding="utf-8") as f:
                writer = csv.writer(f)
                writer.writerow(movie_list)


    def main_page(self, number):
        i = 0
        while i < number:
            url = self.baseurl + str(self.page)
            self.read_page(url)
            self.page += 1
            i += 1


if __name__ == "__main__":
    movie = MovieRanking()
    movie.main_page(100)


Fiddler常用菜单
  Inspector : 查看抓到的数据包的详细内容
    分为请求(request)和响应(response)两部分
  常用选项
Headers :显示客户端发送到服务器的header,包含客户端信息、cookie、传输状态
WebForms :显示请求的POST数据 <body>
Raw :将整个请求显示为纯文本
请求方式及案例
  GET
  POST
  Cookie模拟登陆
    什么是cookie、session
      HTTP是一种无连接协议,客户端和服务器交互仅仅限于 请求/响应过程,结束后断开,下一次请求时,服务器会认为是一个新的客户端,为了维护他们之间的连接,让服务器知道这是前一个用户发起的请求,必须在一个地方保存客户端信息。
      cookie :通过在客户端记录的信息确定用户身份
      session :通过在服务端记录的信息确定用户身份
        使用cookie模拟登陆人人网

'''cookie模拟登陆人人网.py'''
import urllib.request

# 步骤:
#     通过抓包工具、F12获取到cookie(先登陆1次网站)
#     正常发请求
#     url:http://www.renren.com/967469305/profile

url = "http://www.renren.com/967469305/profile"
headers = {
        "Host":"www.renren.com",
        "Connection":"keep-alive",
        "Upgrade-Insecure-Requests":"1",
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36",
        "Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
        "Referer":"http://www.renren.com/",
        "Accept-Language":"zh-CN,zh;q=0.9",
        "Cookie":"anonymid=jnoaljpk7d3nh2; depovince=BJ; _r01_=1; _de=4DBCFCC17D9E50C8C92BCDC45CC5C3B7; ln_uact=13603263409; ln_hurl=http://head.xiaonei.com/photos/0/0/men_main.gif; jebe_key=1b1f4a34-0468-4185-a3b0-6f2c38abc368%7C2012cb2155debcd0710a4bf5a73220e8%7C1540454149943%7C1%7C1540454153787; wp_fold=0; wp=0; jebecookies=2fc339e7-1b51-43ce-bc85-e2dc1f68ee16|||||; JSESSIONID=abcANrnqoMuLshY34pQAw; ick_login=30d0bd58-f6bb-437f-8d0d-6a72ae00e7b7; p=1e1b85cb8dda387a70e400a341c2e9c95; first_login_flag=1; t=4f652cc0a8f3fd50f5c9095c92d4717d5; societyguester=4f652cc0a8f3fd50f5c9095c92d4717d5; id=967469305; xnsid=55bff2d5; loginfrom=syshome"
    }

req = urllib.request.Request(url,headers=headers)
res = urllib.request.urlopen(req)
print(res.read().decode("utf-8"))



requests模块
    安装(用管理员身份去打开Anaconda Prompt)
    Anaconda   : conda install requests
    Windows cmd: python -m pip install requests
      ## 以管理员身份去执行pip安装命令
    常用方法
    get(url,headers=headers) : 发起请求,获取响应对象
    response属性
      response.text :返回字符串类型
      response.content : 返回bytes类型
     应用场景 :爬取非结构化数据
      response.encoding 
        一般返回 :ISO-8859-1  # latin1
指定编码:response.encoding = "utf-8"
      response.status_code :返回服务器响应码
      response.url :返回数据的URL地址
    get()使用场景
      没有查询参数
        res = requests.get(url,headers=headers)
      有查询参数: params={}
        注 :params参数必须为字典,自动进行编码
见 :09_requests.get.params.py
    post() 参数名 :data
      data = {}

爬取链家二手房

import csv
import re
import requests


class HouseReptile(object):

    def __init__(self):
        self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36 OPR/26.0.1656.60"}
        self.base_url = "https://jn.lianjia.com/ershoufang/pg"
        self.pg = 0
        print("初始化~")

    def read_house(self, url):
        print("读取数据")
        response = requests.get(url, self.headers)
        self.parse_house(response.text)

    def parse_house(self, html):
        print("开始解析数据")
        # 详情页  标题  小区名  规格  楼层 发布时间  总价 单价
        mate = re.compile('''<div class="title"><a class="" href="(.*?)".*?data-is_focus="" data-sl="">(.*?)</a>.*?data-el="region">(.*?)</a> (.*?)<.*?</span>(.*?)<.*?starIcon"></span>(.*?)<.*?<span>(\d+)</span>万.*?<span>(.*?)</span>''', re.S)
        house_list = mate.findall(html)
        self.write_house(house_list)


    def write_house(self, house_list):
        for house in house_list:
            with open("链接二手房.csv", "a", newline="", encoding="utf-8") as f:
                writer = csv.writer(f)
                house = [
                    house[0].strip(),
                    house[1].strip(),
                    house[2].strip(),
                    house[3].strip(),
                    house[4].strip(),
                    house[5].strip(),
                    house[6].strip(),
                    house[7].strip()
                ]
                writer.writerow(house)


    def crawl_house(self, number):
        if self.pg == 0:
            with open("链接二手房.csv", "a", newline="", encoding="utf-8") as f:
                writer = csv.writer(f)
                writer.writerow([
                    "房屋详情链接",
                    "标题",
                    "小区名",
                    "规格",
                    "楼层",
                    "发布时间",
                    "总价(万)",
                    "单价"
                ])

        for i in range(0, number):
            self.pg += 1
            url = self.base_url + str(self.pg)
            print("开始爬取:", url)
            self.read_house(url)


if __name__ == "__main__":
    house = HouseReptile()
    house.crawl_house(3)



        
      












版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享: