1.原理：文本分析并提取信息——正则表达式。
2.实例目的：爬取熊猫TV某个分类下面主播的人气排行
分析网站结构
操作：F12查看HTML信息，Ctrl+Shift+C鼠标选取后找到对应的HTML。
3.步骤：
前奏：
1、明确目的（分析抓取目的确定抓取页面）
2、找到数据对应网页
3、分析网页的结构，找到数据所在标签的位置
执行：
4、模拟HTTP请求，向服务器发送请求，获取到服务器返回给我们的HTML
5、用正则表达式提取我们要的数据
......
4.代码
断点调试：F5启动，F10单步，F5跳断点，F11进内部
寻找到标签、标识符，使之能够定位要抓取的信息。
1、尽量选取具有唯一性的标签
2、尽量选取最接近于数据的标签
1.可以把两个数据看成是一组数据并再次寻找标签。
2.尽量选取可以闭合的标签(父级标签)，并包裹其需要的数据
‘‘‘ This is a spider，模块注释 ‘‘‘ from urllib import request import re class Spider(): ‘‘‘ This is a spider class ‘‘‘ url = ‘https://www.panda.tv/cate/lol‘ root_pattern = ‘<div class="video-info">([\s\S]*?)</div>‘ #注意单双引号 #[\w\W] [\s\S] . 匹配所有字符 #* 匹配0次或者无限多次 #? 非贪婪模式，匹配到第一个遇到的</div> name_pattern = ‘</i>([\s\S]*?)</span>‘ number_pattern = ‘<span class="video-number">([\s\S]*?)</span>‘ def __fetch_content(self): ‘‘‘ 私有方法，获取网页内容 ‘‘‘ r = request.urlopen(Spider.url) htmls = r.read() htmls = str(htmls,encoding = ‘utf-8‘) return htmls def __analysis(self,htmls): ‘‘‘ 正则表达式来提取数据 ‘‘‘ root_html = re.findall(Spider.root_pattern,htmls) anchors = [] for html in root_html: name = re.findall(Spider.name_pattern,html) number = re.findall(Spider.number_pattern,html) anchor = {‘name‘:name,‘number‘:number} anchors.append(anchor) return anchors def __refine(self,anchors): l = lambda anchor:{ ‘name‘:anchor[‘name‘][0].strip(), ‘number‘:anchor[‘number‘][0] #列表转化为单一的字符串 } return map(l,anchors) def __sort_seed(self,anchor): r = re.findall(‘\d*‘,anchor[‘number‘]) #提取数字 number = float(r[0]) if ‘万‘ in anchor[‘number‘]: #处理‘万‘ number *= 10000 return number def __sort(self,anchors): ‘‘‘ key确定比较对象 sorted()默认升序排列,reverse = True 降序 不能用str排序，要用int，并且要处理‘万‘ ‘‘‘ anchors = sorted(anchors,key = self.__sort_seed,reverse = True) return anchors def __show(self,anchors): for rank in range(0,len(anchors)): print(‘rank ‘ + str(rank + 1) + ‘:‘ + ‘ ‘ + anchors[rank][‘name‘] + ‘————‘ + anchors[rank][‘number‘]) def go(self): #Spider的入口方法 htmls = self.__fetch_content() anchors = self.__analysis(htmls) anchors = list(self.__refine(anchors)) anchors = self.__sort(anchors) self.__show(anchors) spider = Spider() spider.go()
爬虫框架：
Beautiful Soup
Scrapy
原文：https://www.cnblogs.com/wlgaojin/p/12300460.html