栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 软件开发 > 后端开发 > Python

爬虫实战项目

Python 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

爬虫实战项目

豆瓣TOP250电影

听说所有爬虫学习都是从这开始的?

import requests
import re
from bs4 import BeautifulSoup

header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36 Edg/95.0.1020.30',
    'Host': 'movie.douban.com'
}
r = requests.get('https://movie.douban.com/top250', headers=header)
titlehtml = re.findall('.+', r.text)

for i in range(0, 10):
    r = requests.get('https://movie.douban.com/top250?start=' + str(i * 25), headers=header)
    title_html = re.findall('[u4E00-u9FFF]+', r.text)
    for j in title_html:
        title = j[20:len(j) - 7:1]
        print(title)

请求头信息用来通过反爬虫机制,匹配任意中文的正则用  [u4E00-u9FFF]+

爬取某小说网站动物庄园,分章节存为txt文件
# 创建并写入文件函数
def write(name, text):
    f = open(name + '.txt', 'x')
    f.write(text)
    f.close()


r = requests.get('https://www.kanunu8.com/book3/6879/')
r.encoding = 'gb2312'
# 获取分章节链接
mainBody = re.findall('正文(.*?)', r.text, re.S)
link = re.findall('[u4E00-u9FFF]+', mainBody[0])

# 构建章节名-链接字典
linkDic = {}
for str in link:
    where = re.search('[0-9]+.html', str).group()
    name = re.search('[u4E00-u9FFF]+', str).group()
    linkDic.update({name: where})

# 提取章节网页正文,存于字典中
mainText = {}
for name in linkDic:
    rr = requests.get('https://www.kanunu8.com/book3/6879/' + linkDic[name])
    rr.encoding = 'GBK'
    paragraph = re.search('

(.*?)

', rr.text, re.S).group(1) paragraph = paragraph.replace('
', '') mainText.update({name: paragraph}) write(name, paragraph)

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/348680.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号