Python 爬虫第二步 -- 单线程爬虫

介绍

本篇文章主要介绍如何爬取麦子学院的课程信息（本爬虫仍是单线程爬虫），在开始介绍之前，先来看看结果示意图

这里写图片描述 怎么样，是不是已经跃跃欲试了？首先让我们打开麦子学院的网址，然后找到麦子学院的全部课程信息，像下面这样 这里写图片描述 这个时候进行翻页，观看网址的变化，首先，第一页的网址是 http://www.maiziedu.com/course/list/, 第二页变成了 http://www.maiziedu.com/course/list/all-all/0-2/, 第三页变成了 http://www.maiziedu.com/course/list/all-all/0-3/ ，可以看到，每次翻一页，0后面的数字就会递增1，然后就有人会想到了，拿第一页呢？我们尝试着将 http://www.maiziedu.com/course/list/all-all/0-1/ 放进浏览器的地址栏，发现可以打开第一栏，那就好办了，我们只需要使用 re.sub() 就可以很轻松的获取到任何一页的内容。获取到网址链接之后，下面要做的就是获取网页的源代码，首先右击查看审查或者是检查元素，就可以看到以下界面 这里写图片描述 找到课程所在的位置以后，就可以很轻松的利用正则表达式将我们需要的内容提取出来，至于怎么提取，那就要靠你自己了，尝试着自己去找规律才能有更大的收获。如果你实在不知道怎么提取，那么继续往下，看我的源代码吧

实战源代码

  # coding=utf-8
  import re
  import requests
  import sys
  reload(sys)
  sys.setdefaultencoding("utf8")


  class spider():
      def __init__(self):
          print "开始爬取内容。。。"

       def changePage(self, url, total_page):
          nowpage = int(re.search('/0-(\d+)/', url, re.S).group(1))
          pagegroup = []

          for i in range(nowpage, total_page + 1):
              link = re.sub('/0-(\d+)/', '/0-%s/' % i, url, re.S)
              pagegroup.append(link)

          return pagegroup

def getsource(self, url):
    html = requests.get(url)
    return html.text

def getclasses(self, source):
    classes = re.search('<ul class="zy_course_list">(.*?)</ul>', source, re.S).group(1)
    return classes

def geteach(self, classes):
    eachclasses = re.findall('<li>(.*?)</li>', classes, re.S)
    return eachclasses

def getinfo(self, eachclass):
    info = {}
    info['title'] = re.search('<a title="(.*?)"', eachclass, re.S).group(1)
    info['people'] = re.search('<p class="color99">(.*?)</p>', eachclass, re.S).group(1)
    return info

def saveinfo(self, classinfo):
    f = open('info.txt', 'a')

    for each in classinfo:
        f.writelines('title : ' + each['title'] + '\n')
        f.writelines('people : ' + each['people'] + '\n\n')

    f.close()


if __name__ == '__main__':

      classinfo = []
      url = 'http://www.maiziedu.com/course/list/all-all/0-1/'
      maizispider = spider()
      all_links = maizispider.changePage(url, 30)
      for each in all_links:
         htmlsources = maizispider.getsource(each)
          classes = maizispider.getclasses(htmlsources)
          eachclasses = maizispider.geteach(classes)

          for each in eachclasses:
              info = maizispider.getinfo(each)
              classinfo.append(info)

      maizispider.saveinfo(classinfo)

以上代码并不难懂，基本就是正则表达式的使用，然后直接运行就可以看到开头我们的截图内容了，由于这是单线程爬虫，所以运行速度感觉有点慢，接下来还会继续更新多线程爬虫。