Python爬虫原理

作者: 梧雨北辰 | 来源:发表于2018-06-19 19:32 被阅读20次

本篇是在学习Python基础知识之后的一次小小尝试,这次将会爬取熊猫TV网页上的王者荣耀主播排名,在不借助第三方框架的前提下演示一个爬虫的原理。

一、实现Python爬虫的思路

第一步:明确目的
1.找到想要爬取数据的网页
2.分析网页结构,找到需要爬取数据所在的标签位置

第二步:模拟Http请求,提取数据,加工数据
1.模拟Http网络请求,向服务器发送请求,获取服务器返回给我们的html
2.使用正则表达式从Html中提取我们需要的数据(比如本例中的主播名字和人气)
3.对提取的数据进行加工,显示成我们可以直观查看的形式

二、查看网页源码,观察关键值

我们应该首先找到需要处理的网页,即:熊猫TV网页上的王者荣耀,然后查看这个网页的源代码,观察我们需要关注的数据在哪个位置,下面是截取的网页效果图:

网页.png

然后,我们需要在浏览器中查看当前网页的Html源码,不同的浏览器中查看的操作会有所不同,这个需要自行百度一下。此次我们需要拿到每个主播的名字和视频浏览量,从下面源码中我们可以很快发现这些关键数据的位置,如图中的标注:

Html源码.png

三、实现Python爬虫的具体实践

下面就是实现爬取数据的具体操作了,这里是创建了一个爬虫类Spider,然后使用不同的正则获取Html标签里的数据,进而将其重新整理后打印显示,具体的代码如下:

from urllib import request   #导入模块urllib,用于发起网络请求,获取数据
import re                    #导入模块re,用于实现正则提取信息


class Spider():
    #需要抓取的网络链接
    url = "https://www.panda.tv/cate/kingglory"

    #正则:获取显示视频信息的div代码串
    reString_div = '<div class="video-info">([\s\S]*?)</div>'   
    #正则:获取主播名
    reString_name = '</i>([\s\S]*?)</span>'
    #正则:获取视频浏览量
    reString_number = '<span class="video-number">([\s\S]*?)</span>'


    def __fetch_content(self):
        '''
        请求网络,获取整个网页的Hmtl字符串
        '''
        r = request.urlopen(Spider.url)
        data = r.read()
        htmlString = str(data,encoding="utf-8")
        return htmlString


    def __alalysis(self,htmlString):
        '''
        使用正则初步获取数据,得到主播信息(主播名和浏览量)的数组
        '''
        videoInfos = re.findall(Spider.reString_div,htmlString)
        anchors = []
        #print(videoInfos[0])
        for html in videoInfos :
            name = re.findall(Spider.reString_name,html)
            number = re.findall(Spider.reString_number,html)
            anchor = {"name":name,"number":number}
            anchors.append(anchor)
        #print(anchors[0])
        return anchors


    def __refine(self,anchors):
        '''
        将数据进一步提炼,去除空格等多余字符
        '''
        f = lambda anchor :{"name":anchor["name"][0].strip(),"number":anchor["number"][0]}
        newAnchors = list(map(f,anchors))
        #print(newAnchors)
        return newAnchors


    def __sort(self,anchors):
        '''
        数据分析:排序浏览量从大到小 
        '''
        anchors = sorted(anchors,key=self.__sort_seed,reverse = True)
        return anchors


    def __sort_seed(self,anchor):
        '''
        排序规则
        '''
        list_nums = re.findall('\d*',anchor["number"])
        number = float(list_nums[0])
        if '万' in anchor["number"]:
            number = number * 10000
        return number


    def __show(self,anchors):
        '''
        展示数据,将已经排序好的数据打印出来
        '''
        for rank in range(0,len(anchors)):
            print("第" + str(rank+1) +"名:" + anchors[rank]["number"] + "\t"  + anchors[rank]["name"])


    def startRun(self):
       '''
       程序入口,开始运行爬虫
       '''
       htmlString = self.__fetch_content()
       anchors = self.__alalysis(htmlString)
       anchors = self.__refine(anchors)
       anchors  = self.__sort(anchors)
       self.__show(anchors)

        
#创建爬虫类,爬取数据
spider = Spider()
spider.startRun()

然后,我们将看到如下的打印效果:

执行爬虫.png

相关文章

  • 学渣讲爬虫之Python爬虫从入门到出门(第一讲)

    目录 学渣讲爬虫之Python爬虫从入门到出门第一讲 目录 爬虫的常用形式 爬虫的基本原理 前期准备 简单爬虫 爬...

  • 2018-12-24 网页爬虫第一天

    Python爬虫从入门到出门 第一天 1.1 目录 1.1 目录 1.2 爬虫的常用形式 1.3 爬虫的基本原理 ...

  • Python 爬虫原理

    一、什么是爬虫 互联网比喻成一张网,每张网上的节点就是数据存储的地方;Python程序类似蜘蛛,到每个节点中抓取自...

  • Python爬虫原理

    本篇是在学习Python基础知识之后的一次小小尝试,这次将会爬取熊猫TV网页上的王者荣耀主播排名,在不借助第三方框...

  • Python爬虫原理

    直奔主题 爬虫的主要作用就是爬取特定的数据,所谓的爬取没有听到的这么高大上,爬取也就是抓取爬虫主要是模仿浏览器访问...

  • Python爬虫原理

    相信很多人都听说过大数据,马云爸爸早在2015年时就提出了,当今时代正转变为一个大数据(DT,数据技术)时代。 那...

  • Python爬虫:学爬虫前得了解的事儿

    这是关于Python的第14篇文章,主要介绍下爬虫的原理。 提到爬虫,我们就不得不说起网页,因为我们编写的爬虫实际...

  • Python学习

    python爬虫原理 1、什么是爬虫 爬虫本质上就是一段请求网站并提取数据的自动化程序。可以抓取网络上网页文本、图...

  • 3分钟带你了解世界第一语言Python 入门上手也这么简单!

    一、Python入门 1. Python爬虫入门一之综述 Python爬虫入门二之爬虫基础了解 Python爬虫入...

  • Python网络爬虫

    1. 概述 本文主要介绍网络爬虫,采用的实现语言为Python,目的在于阐述网络爬虫的原理和实现,并且对目前常见的...

网友评论

    本文标题:Python爬虫原理

    本文链接:https://www.haomeiwen.com/subject/jegasftx.html