字符串常用方法
# 去掉左右空格
'hello world'.strip() # 'hello world'
# 按指定字符切割
'hello world'.split(' ') # ['hello','world']
# 替换指定字符串
'hello world'.replace(' ','#') # 'hello#world'
csv模块
作用：将爬取的数据存放到本地的csv文件中
使用流程
import csv
with open('test.csv','w') as f:
writer = csv.writer(f) # 初始化写入对象
# 写一行
writer.writerow(['超哥哥',20])
writer.writerow(['步惊云',22])
with open('test.csv','a') as f:
writer = csv.writer(f)
# 写多行
data_list = [('聂风',23),('秦霜',30)]
writer.writerows(data_list)
Windows中使用csv模块默认会在每行后面添加一个空行，使用newline=''可解决
with open('xxx.csv','w',newline='') as f:
猫眼电影top100抓取案例
确定URL网址
猫眼电影 - 榜单 - top100榜 目标
电影名称、主演、上映时间 操作步骤
1、查看是否为动态加载
右键 - 查看网页源代码 - 搜索爬取关键字（查看在源代码中是否存在）
2、找URL规律
3、正则表达式
4、编写程序框架，完善程序
from urllib import request
import time
import re
import csv
import random
class MaoyanSpider(object):
def __init__(self):
self.page = 1 # 用于记录页数
self.url = 'https://maoyan.com/board/4&＃63;offset={}'
self.agent = [
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 \
Safari/535.1',
'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',
'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; \
.NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1']
# 请求
def get_page(self, url):
headers = {'User-Agent': random.choice(self.agent)} # 每次使用随机的user-agent
req = request.Request(url=url, headers=headers) # 创建请求对象
res = request.urlopen(req) # 发起请求
html = res.read().decode('utf-8') # 获取请求内容
self.parse_page(html) # 直接调用解析函数
# 解析
def parse_page(self, html):
pattren = re.compile(
'.*&＃63;title="(.*&＃63;)".*&＃63;class="star">(.*&＃63;).*&＃63;releasetime">(.*&＃63;)', re.S)
r_list = pattren.findall(html)
# rlist: [('霸王别姬', '\n 主演：张国荣,张丰毅,巩俐\n ', '上映时间：1993-01-01'),(...),(...)]
self.write_page(r_list) # 写入csv文件
# # 保存,打印输出
# def write_page(self,r_list):
# one_film_dict = {}
# for rt in r_list:
# one_film_dict['name'] = rt[0].strip()
# one_film_dict['star'] = rt[1].strip()
# one_film_dict['time'] = rt[2].strip()[5:15]
#
# print(one_film_dict)
# 保存到csv文件(writerows) -- 推荐使用此方法
def write_page(self, r_list):
# 空列表,最终writerows()的参数: [(),(),()]
film_list = []
with open('maoyan.csv', 'a',newline="") as f:
writer = csv.writer(f)
for rt in r_list:
# 把处理过的数据定义成元组
t = (rt[0], rt[1].strip(), rt[2].strip()[5:15])
film_list.append(t)
writer.writerows(film_list)
def main(self):
for offset in range(0, 31, 10):
url = self.url.format(offset)
self.get_page(url)
time.sleep(random.randint(1, 3))
print('第%d页爬取完成' % self.page)
self.page += 1
if __name__ == '__main__':
start = time.time()
spider = MaoyanSpider()
spider.main()
end = time.time()
print('执行时间: %.2f' % (end - start))
数据持久化存储（MySQL数据库）
让我们来回顾一下pymysql模块的基本使用
import pymysql
db = pymysql.connect('localhost', 'root', '123456', 'maoyandb', charset='utf8')
cursor = db.cursor() # 创建游标对象
# execute()方法第二个参数为列表传参补位
cursor.execute('insert into film values(%s,%s,%s)', ['霸王别姬', '张国荣', '1993'])
db.commit() # 提交到数据库执行
cursor.close() # 关闭
db.close()
让我们来回顾一下pymysql中executemany()的用法
import pymysql
# 数据库连接对象
db = pymysql.connect('localhost', 'root', '123456', charset='utf8')
cursor = db.cursor() # 游标对象
ins_list = [] # 存放所有数据的大列表
for i in range(2):
name = input('请输入第%d个学生姓名:' % (i + 1))
age = input('请输入第%d个学生年龄:' % (i + 1))
ins_list.append([name, age])
ins = 'insert into t3 values(%s,%s)' # 定义插入语句
cursor.executemany(ins, ins_list) # 一次数据库的IO操作可插入多条语句，提升性能
db.commit() # 提交到数据库执行
cursor.close() # 关闭游标
db.close() # 关闭数据库
ins = 'insert into maoyanfilm values(%s,%s,%s)'
cursor.execute(['霸王', '国荣', '1991'])
cursor.executemany([
['月光宝盒', '周星驰', '1993'],
['大圣娶亲', '周星驰', '1993']])
练习：把猫眼电影案例中电影信息存入MySQL数据库中（尽量使用executemany方法）
from urllib import request
import time
import re
import pymysql
import random
class MaoyanSpider(object):
def __init__(self):
self.page = 1 # 用于记录页数
self.url = 'https://maoyan.com/board/4&＃63;offset={}'
self.ua_list = [
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) \
Chrome/14.0.835.163 Safari/535.1',
'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',
'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; \
.NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)']
# 创建数据库连接对象和游标对象
self.db = pymysql.connect('localhost', 'root', '123456', 'maoyandb', charset='utf8')
self.cursor = self.db.cursor()
# 获取
def get_page(self, url):
# 每次使用随机的user-agent
headers = {'User-Agent': random.choice(self.ua_list)}
req = request.Request(url=url, headers=headers)
res = request.urlopen(req)
html = res.read().decode('utf-8')
self.parse_page(html) # 直接调用解析函数
# 解析
def parse_page(self, html):
pattren = re.compile(
'.*&＃63;title="(.*&＃63;)".*&＃63;class="star">(.*&＃63;).*&＃63;releasetime">(.*&＃63;)', re.S)
# rlist: [('霸王别姬','张国荣','1993'),(),()]
r_list = pattren.findall(html)
print(r_list)
self.write_page(r_list)
# 存入mysql数据库(executemany([ [],[],[] ]))
def write_page(self, r_list):
film_list = []
ins = 'insert into filmtab values(%s,%s,%s)' # 定义插入语句
# 处理数据,放到大列表film_list中
for rt in r_list:
one_film = [rt[0], rt[1].strip(), rt[2].strip()[5:15]]
# 添加到大列表中
film_list.append(one_film)
# 一次数据库IO把1页数据存入
self.cursor.executemany(ins, film_list)
# 提交到数据库执行
self.db.commit()
def main(self):
for offset in range(0, 31, 10):
url = self.url.format(offset)
self.get_page(url)
time.sleep(random.randint(1, 3))
print('第%d页爬取完成' % self.page)
self.page += 1
# 断开数据库(所有页爬完之后)
self.cursor.close()
self.db.close()
if __name__ == '__main__':
start = time.time()
spider = MaoyanSpider()
spider.main()
end = time.time()
print('执行时间: %.2f' % (end - start))
让我们来做个SQL命令查询
1、查询20年以前的电影的名字和上映时间
select name,time from filmtab where time<(now()-interval 20 year);
2、查询1990-2000年的电影名字和上映时间
select name,time from filmtab where time>='1990-01-01' and time<='2000-12-31';
让我们来复习一下mongdb数据库
import pymongo
# 1.连接对象
cOnn= pymongo.MongoClient(host='127.0.0.1', port=27017)
db = conn['maoyandb'] # 2.库对象
myset = db['filmtab'] # 3.集合对象
myset.insert_one({'name': '赵敏'}) # 4.插入数据库
练习：把猫眼电影案例中电影信息存入MongDB数据库中
from urllib import request
import re
import time
import random
import pymongo
class MaoyanSpider(object):
def __init__(self):
self.url = 'https://maoyan.com/board/4&＃63;offset={}'
# 计数
self.num = 0
# 创建3个对象
self.cOnn= pymongo.MongoClient('localhost', 27017)
self.db = self.conn['maoyandb']
self.myset = self.db['filmset']
self.ua_list = [
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',
'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET \
CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)', ]
def get_html(self, url):
headers = {
'User-Agent': random.choice(self.ua_list)
}
req = request.Request(url=url, headers=headers)
res = request.urlopen(req)
html = res.read().decode('utf-8')
# 直接调用解析函数
self.parse_html(html)
def parse_html(self, html):
re_bds = r'.*&＃63;title="(.*&＃63;)".*&＃63;class="star">(.*&＃63;).*&＃63;releasetime">(.*&＃63;)'
pattern = re.compile(re_bds, re.S)
# film_list: [('霸王别姬','张国荣','1993'),()]
film_list = pattern.findall(html)
# 直接调用写入函数
self.write_html(film_list)
# mongodb数据库
def write_html(self, film_list):
for film in film_list:
film_dict = {
'name': film[0].strip(),
'star': film[1].strip(),
'time': film[2].strip()[5:15]
}
# 插入mongodb数据库
self.myset.insert_one(film_dict)
def main(self):
for offset in range(0, 31, 10):
url = self.url.format(offset)
self.get_html(url)
time.sleep(random.randint(1, 2))
if __name__ == '__main__':
start = time.time()
spider = MaoyanSpider()
spider.main()
end = time.time()
print('执行时间:%.2f' % (end - start))
电影天堂案例（二级页面抓取）
1、查看是否为静态页面，是否为动态加载
右键 - 查看网页源代码
2、确定URL地址
百度搜索 ：电影天堂 - 2019年新片 - 更多
3、目标
*********一级页面***********
1、电影名称
2、电影链接
*********二级页面***********
1、下载链接
4、步骤
找URL规律
第1页 ：https://www.dytt8.net/html/gndy/dyzz/list_23_1.html
第2页 ：https://www.dytt8.net/html/gndy/dyzz/list_23_2.html
第n页 ：https://www.dytt8.net/html/gndy/dyzz/list_23_n.html
写正则表达式
1、一级页面正则表达式（电影名称、电影详情链接）
.*&＃63;(.*&＃63;)
2、二级页面正则表达式
from urllib import request
import re
import time
import random
from useragents import *
import pymysql
class FilmSky(object):
def __init__(self):
self.url = 'https://www.dytt8.net/html/gndy/dyzz/list_23_{}.html'
# 定义两个对象
self.db = pymysql.connect('127.0.0.1', 'root', '123456', 'maoyandb', charset='utf8')
self.cursor = self.db.cursor()
# 获取html函数(因为两个页面都需要发请求)
def get_page(self, url):
req = request.Request(url=url, headers={'User-Agent': random.choice(ua_list)})
res = request.urlopen(req)
# ignore参数,实在处理不了的编码错误忽略
# 查看网页源码,发现网页编码为 gb2312,不是 utf-8
html = res.read().decode('gbk', 'ignore')
return html
# 解析提取数据(把名称和下载链接一次性拿到)
# html为一级页面响应内容
def parse_page(self, html):
# 1. 先解析一级页面(电影名称 和 详情链接)
pattern = re.compile('.*&＃63;(.*&＃63;)', re.S)
# film_list: [('详情链接','名称'),()]
film_list = pattern.findall(html)
# [('/html/gndy/dyzz/20190806/58956.html', '019年惊悚动作《报仇雪恨/血债血偿》BD中英双字幕'),(),()]
ins = 'insert into filmsky values(%s,%s)'
for film in film_list:
film_name = film[1]
film_link = 'https://www.dytt8.net' + film[0]
# 2. 拿到详情链接后,再去获取详情链接html,提取下载链接
download_link = self.parse_two_html(film_link)
self.cursor.execute(ins, [film_name, film_link])
self.db.commit()
# 打印测试
d = {'电影名称': film_name, '下载链接': download_link}
print(d)
# {'电影名称': '019年惊悚动作《报仇雪恨/血债血偿》BD中英双字幕', '下载链接': 'ftp://ygdy8:ygdy8@yg90.dydytt.net:8590/阳光电影www.ygdy8.com.报仇雪恨.BD.720p.中英双字幕.mkv'}
# 解析二级页面,获取下载链接
def parse_two_html(self, film_link):
two_html = self.get_page(film_link)
pattern = re.compile('
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。
写下你的评论吧 !
推荐阅读
-
文章目录简介HTTP请求过程HTTP状态码含义HTTP头部信息Cookie状态管理HTTP请求方式简介HTTP协议（超文本传输协议）是用于从WWW服务 ...
[详细]
蜡笔小新 2023-10-15 14:59:43
-
本文提供了Python瓦片图下载、合并、绘图、标记的代码示例，包括下载代码、多线程下载、图像处理等功能。通过参考geoserver，使用PIL、cv2、numpy、gdal、osr等库实现了瓦片图的下载、合并、绘图和标记功能。代码示例详细介绍了各个功能的实现方法，供读者参考使用。 ...
[详细]
蜡笔小新 2023-12-13 12:14:55
-
-
本文整理了常用的CSS属性及用法，包括背景属性、边框属性、尺寸属性、可伸缩框属性、字体属性和文本属性等，方便开发者查阅和使用。 ...
[详细]
蜡笔小新 2023-12-09 03:01:43
-
一、用户行为三剑客以下3个CSS属性：user-select属性可以设置是否允许用户选择页面中的图文内容；user-modify属性可以设置是否允许输入 ...
[详细]
蜡笔小新 2023-10-17 14:35:15
-
一、pyecharts介绍ECharts，一个使用JavaScript实现的开源可视化库，可以流畅的运行在PC和移动设备上，兼容当前绝大部 ...
[详细]
蜡笔小新 2023-10-16 08:29:03
-
最近在学Python，看了不少资料、视频，对爬虫比较感兴趣，爬过了网页文字、图片、视频。文字就不说了直接从网页上去根据标签分离出来就好了。图片和视频则需要在获取到相应的链接之后取做下载。以下是图片和视 ...
[详细]
蜡笔小新 2023-10-15 09:28:43
-
SVG是使用XML来描述二维图形和绘图程序的语言。SVG遵循的是xml的规范，与html5的使用有所区别SVG绘制出来的是矢量图，放大之后不会失真官方文 ...
[详细]
蜡笔小新 2023-10-14 15:30:33
-
1.创建Scrapy项目scrapystartprojectCrawlMeiziTuscrapygenspiderMeiziTuSpiderhttps:movie.douban.c ...
[详细]
蜡笔小新 2023-10-14 15:02:27
-
本文介绍了知识图谱在机器大脑中的应用，以及搜索引擎在知识图谱方面的发展。以谷歌知识图谱为例，说明了知识图谱的智能化特点。通过搜索引擎用户可以获取更加智能化的答案，如搜索关键词"Marie Curie"，会得到居里夫人的详细信息以及与之相关的历史人物。知识图谱的出现引起了搜索引擎行业的变革，不仅美国的微软必应，中国的百度、搜狗等搜索引擎公司也纷纷推出了自己的知识图谱。 ...
[详细]
蜡笔小新 2023-12-14 10:06:19
-
本文介绍了使用正则表达式来爬取36Kr网站首页所有新闻的操作步骤和代码示例。通过访问网站、查找关键词、编写代码等步骤，可以获取到网站首页的新闻数据。代码示例使用Python编写，并使用正则表达式来提取所需的数据。详细的操作步骤和代码示例可以参考本文内容。 ...
[详细]
蜡笔小新 2023-12-12 19:16:21
-
CSS|网格-行-结束属性原文:https://www.gee ...
[详细]
蜡笔小新 2023-10-17 15:21:56
-
fin7,后门,工具,伪装,成,白, ...
[详细]
蜡笔小新 2023-10-17 15:15:23
-
一、背景想直接借助spotlight进行google。当然现在有现成的第三方可以做到，不想安装第三方二、方法唤起Spotlight，输入想要goo ...
[详细]
蜡笔小新 2023-10-17 14:34:39
-
1Android屏幕适配的度量单位和相关概念建议在阅读本文章之前，可以先阅读快乐李同学写的文章《Android屏幕适配的度量单位和相关概念》，这篇文章 ...
[详细]
蜡笔小新 2023-10-16 20:18:36
-
文布得
这个家伙很懒，什么也没留下！
Tags | 热门标签
RankList | 热门文章
-
1输出“Python语言简单易学” (10 分)
-
2PCL平面投影
-
3（三）MobileNet_v22018CVPR论文解读
-
4《兰陵王》翻译 原文赏析诗人宋曹冠
-
5动态规划法求01背包问题[c语言实现]
-
6对声音信标信号的采样频率
-
7流畅的python字典和集合
-
8mysql rollup 分组_mysql使用WITH ROLLUP分组并统计数据
-
9十大顺风 CSS 插件
-
10踩坑：Vue.js中vfor和vif不能同时使用
-
11直播系统开发功能说明
-
12POJ 2135 Farm Tour （最小费用最大流模板题）
-
13Python基础学习Task01
-
1413.3 高级控件QListWidget列表控件
-
15SurfaceView类透明背景设置
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 
京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有