文件结构
html_downloader.py - 下载网页html内容
#!/usr/bin/python # -*- coding: UTF-8 -*- import urllib2 class HtmlDownloader(object): def downlod(self, url): if url is None: return None response = urllib2.urlopen(url) if response.getcode() != 200: return None return response.read()
html_outputer.py - 输出结果到文件中
#!/usr/bin/python # -*- coding: UTF-8 -*- class HtmlOutputer(object): def collect_data(self, movie_data): if movie_data is None: return fout = open('output.html', 'a+') for data in movie_data: print data['name'] + '|', data['rate'] + '|', data['actor'], '\n' fout.write('%s,' % data['name'].encode('utf-8')) fout.write('%s,' % data['rate']) fout.write('%s\n' % data['actor'].encode('utf-8')) fout.close()
html_parser.py: 解析器:解析html的dom树
#!/usr/bin/python # -*- coding: UTF-8 -*- from bs4 import BeautifulSoup class HtmlParser(object): def __init__(self): pass def parser_html(self, cnt): if cnt is None: return soup = BeautifulSoup(cnt, 'html.parser', from_encoding='utf-8') # movie_name, movie_desc, movie_rate = return self.get_movie_names(soup) def get_movie_names(self, soup): movie_data = [] movie_all = soup.find('div', class_='article').find_next('table').find_next_sibling('div').find_next_sibling('div').find_all('table') count = 1 for movie_one in movie_all: movie_data.append(self.get_movie_name(movie_one)) # if count > 2: # break count += 1 return movie_data def get_movie_name(self, cnt): info = {} soup = BeautifulSoup(str(cnt), 'html.parser', from_encoding='utf-8') movie_one = soup.find('tr', class_='item').find_next('td').find_next_sibling('td').find('div', class_='pl2') info['name'] = movie_one.find('a').get_text().replace("\n", "").replace(" ", "") info['actor'] = movie_one.find('p', class_='pl').get_text().replace("\n", "").replace(" ", "") info['rate'] = movie_one.find('div', class_='star clearfix').find('span', class_='rating_nums').get_text() return info
spider_main.py - 主函数
#!/usr/bin/python # -*- coding: UTF-8 -*- import html_parser, html_outputer, html_downloader class SpiderMain(object): def __init__(self): self.parser = html_parser.HtmlParser() self.outputer = html_outputer.HtmlOutputer() self.downloader = html_downloader.HtmlDownloader() def craw(self, url): html_cnt = self.downloader.downlod(url) movie_data = self.parser.parser_html(html_cnt) self.outputer.collect_data(movie_data) if __name__ == '__main__': url = 'https://movie.douban.com/tag/2017?start=100&type=T' spider = SpiderMain() spider.craw(url)
综述
其实就是使用了urllib2和BeautifulSoup库,没啥好说的,你也可以直接改url,然后更改html_parser.py文件来满足你自己的爬虫需求。当前也可以更改html_outputer.py来定义保存格式,目前是csv。
通过本案例[豆瓣电影Top250信息爬取]锻炼除正则表达式之外三种信息解析方式:Xpath、BeautifulSoup和PyQuery。 爬取url地址:https://movie.douban.com/top250 分析: 分析url地址:https://movie.douban.com/top250 每页25条数据,共计10页 第一页:https://movie.douban.com/top2
本文向大家介绍实践Python的爬虫框架Scrapy来抓取豆瓣电影TOP250,包括了实践Python的爬虫框架Scrapy来抓取豆瓣电影TOP250的使用技巧和注意事项,需要的朋友参考一下 安装部署Scrapy 在安装Scrapy前首先需要确定的是已经安装好了Python(目前Scrapy支持Python2.5,Python2.6和Python2.7)。官方文档中介绍了三种方法进行安装,我采用的
本文向大家介绍Java基于WebMagic爬取某豆瓣电影评论的实现,包括了Java基于WebMagic爬取某豆瓣电影评论的实现的使用技巧和注意事项,需要的朋友参考一下 目的 搭建爬虫平台,爬取某豆瓣电影的评论信息。 准备 webmagic是一个开源的Java垂直爬虫框架,目标是简化爬虫的开发流程,让开发者专注于逻辑功能的开发。webmagic的核心非常简单,但是覆盖爬虫的整个流程,也是很好的学习爬
本文向大家介绍Python多线程爬取豆瓣影评API接口,包括了Python多线程爬取豆瓣影评API接口的使用技巧和注意事项,需要的朋友参考一下 爬虫库 使用简单的requests库,这是一个阻塞的库,速度比较慢。 解析使用XPATH表达式 总体采用类的形式 多线程 使用concurrent.future并发模块,建立线程池,把future对象扔进去执行即可实现并发爬取效果 数据存储 使用Pytho
本文向大家介绍Python制作豆瓣图片的爬虫,包括了Python制作豆瓣图片的爬虫的使用技巧和注意事项,需要的朋友参考一下 前段时间自学了一段时间的Python,想着浓一点项目来练练手。看着大佬们一说就是爬了100W+的数据就非常的羡慕,不过对于我这种初学者来说,也就爬一爬图片。 我相信很多人的第一个爬虫程序都是爬去贴吧的图片,嗯,我平时不玩贴吧,加上我觉得豆瓣挺良心的,我就爬了豆瓣首页上
本文向大家介绍python requests库爬取豆瓣电视剧数据并保存到本地详解,包括了python requests库爬取豆瓣电视剧数据并保存到本地详解的使用技巧和注意事项,需要的朋友参考一下 首先要做的就是去豆瓣网找对应的接口,这里就不赘述了,谷歌浏览器抓包即可,然后要做的就是分析返回的json数据的结构: https://movie.douban.com/j/search_subjects?