DDR爱好者之家 Design By 杰米
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。
DDR爱好者之家 Design By 杰米
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
DDR爱好者之家 Design By 杰米
暂无评论...
更新日志
2024年11月29日
2024年11月29日
- 凤飞飞《我们的主题曲》飞跃制作[正版原抓WAV+CUE]
- 刘嘉亮《亮情歌2》[WAV+CUE][1G]
- 红馆40·谭咏麟《歌者恋歌浓情30年演唱会》3CD[低速原抓WAV+CUE][1.8G]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[320K/MP3][193.25MB]
- 【轻音乐】曼托凡尼乐团《精选辑》2CD.1998[FLAC+CUE整轨]
- 邝美云《心中有爱》1989年香港DMIJP版1MTO东芝首版[WAV+CUE]
- 群星《情叹-发烧女声DSD》天籁女声发烧碟[WAV+CUE]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[FLAC/分轨][748.03MB]
- 理想混蛋《Origin Sessions》[320K/MP3][37.47MB]
- 公馆青少年《我其实一点都不酷》[320K/MP3][78.78MB]
- 群星《情叹-发烧男声DSD》最值得珍藏的完美男声[WAV+CUE]
- 群星《国韵飘香·贵妃醉酒HQCD黑胶王》2CD[WAV]
- 卫兰《DAUGHTER》【低速原抓WAV+CUE】
- 公馆青少年《我其实一点都不酷》[FLAC/分轨][398.22MB]
- ZWEI《迟暮的花 (Explicit)》[320K/MP3][57.16MB]