Python 爬虫(正则匹配爬取百思不得姐)

好久没写东西了,开始是因为准备毕设,毕业了有点散漫,后来公司任务有点繁重,再后来国庆中秋玩了 8 天……总之就是一个字 -- 太懒了。现在我得把这些东西捡起来,尽量每周都能总结一些东西。
因为公司人手不够,我又搞了点 Python 的东西。人生苦短,我学 Python。这篇文章就是写如何应用 Python 编写一个简单的爬虫
  • 陆续会有几篇爬虫相关的文章:
    • 应用正则匹配爬取 “百思不得姐”
    • 应用 selenium 爬取 “糗事百科”
    • 爬取 “36kr” 首页新闻
    • 爬取 “腾讯新闻”

不多废话,开始

一、分析网页代码

我们要爬取的是 “百思不得姐” 的视频模块,首先打开百思不得姐看一下网页结构。

百思不得姐视频模块

我们看到网页左部分即需要爬取的搞笑视频,右部分是一些标签、广告等。然后我们 command + alt + u 来看下网页的源代码。

源代码

可以找到我们要爬取的视频标题、地址在代码中的位置,所以我们只要获取该位置的代码即可。

二、获取网页代码

  • 很多网站做了反爬处理,我们可以模拟浏览器访问,拿到 User-Agent
  • 下载 requests 模块并导入该模块

代码如下

#!/usr/bin/env python
#coding:utf-8

import requests

page = 1
def getData():
    global page
    headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'}
    url = 'http://www.budejie.com/video/' + str(page)
    html = requests.get(url, headers = headers).text
    print html

getData()

运行即可获取 “百思不得姐” 的 HTML 代码。

三、正则匹配视频和标题

第一步中我们已经得到网页的代码结构,我们需要通过正则匹配对应部分的代码。

此部分代码如下:

#!/usr/bin/env python
#coding:utf-8

import requests
import re

data = []
page = 1
def getData():
    global page
    headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'}
    url = 'http://www.budejie.com/video/' + str(page)
    html = requests.get(url, headers = headers).text

    match_obj = re.compile(r'<div class="j-r-list-c">.*?</div>.*?</div>', re.S)
    results = re.findall(match_obj, html)

    for item in results:
        match_video = r'data-mp4="(.*?)">'
        video = re.findall(match_video, item)
        # print video
        if video:
            match_title = re.compile(r'<a href="/detail-.{8}?.html">(.*?)</a>', re.S)
            title = re.findall(match_title, item)
            # print title
            for i, j in zip(title, video):
                data.append([i, j])
                print i, j

getData()

match_obj 是匹配了每个视频的最外层的 <div class="j-r-list-c">,和后面两个 </div>
match_video 是匹配对应视频的地址
match_title 是匹配对应视频的标题

四、下载视频

最后把爬取的视频下载到本地,需要用到 urllib、os 模块。

首先应用 os 模块判断当前文件目录下是否存在名为 video 的文件夹,没有则创建一个

def initFile():
    dir = os.getcwd()
    list =  os.listdir(dir)
    flag = False
    for i in list:
        if i == 'video':
            flag == True
            break
    if flag == False:
        os.mkdir('video') 

然后应用 urllib 的 urlretrieve 方法进行下载。

num = 1
def saveData():
    global num
    while num <= 10:
        data = getData()
        for i in data:
            urllib.urlretrieve(i[1], './video/%s.mp4' %(i[0]))
            data.pop(0)
            num += 1

num 用来控制视频下载个数,我这里以 10 个为例演示。
./video/%s.mp4 为保存的路径,若不写 initFile 方法,也可以直接写成完整路径,如:

/Users/JackieQu/Desktop/Crawler/video/%s.mp4

五、完整代码与演示

#!/usr/bin/env python
#coding:utf-8

import requests
import re
import urllib
import os

data = []
page = 1
def getData():
    global page
    headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'}
    url = 'http://www.budejie.com/video/' + str(page)
    html = requests.get(url, headers = headers).text
    match_obj = re.compile(r'<div class="j-r-list-c">.*?</div>.*?</div>', re.S)
    results = re.findall(match_obj, html)
    for item in results:
        match_video = r'data-mp4="(.*?)">'
        video = re.findall(match_video, item)
        if video:
            match_title = re.compile(r'<a href="/detail-.{8}?.html">(.*?)</a>', re.S)
            title = re.findall(match_title, item)
            for i, j in zip(title, video):
                data.append([i, j])
    return data

num = 1
def saveData():
    global num
    while num <= 10:
        data = getData()
        for i in data:
            urllib.urlretrieve(i[1], './video/%s.mp4' %(i[0]))
            data.pop(0)
            num += 1

def initFile():
    dir = os.getcwd()
    list =  os.listdir(dir)
    flag = False
    for i in list:
        if i == 'video':
            flag = True
            break
    if flag == False:
        os.mkdir('video') 

initFile()
saveData()
效果演示

哦了,要想爬取多页数据,改改页码,遍历一下即可。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,980评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,178评论 2 380
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,868评论 0 336
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,498评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,492评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,521评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,910评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,569评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,793评论 1 296
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,559评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,639评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,342评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,931评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,904评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,144评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,833评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,350评论 2 342

推荐阅读更多精彩内容