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。
华山资源网 Design By www.eoogi.com
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!
华山资源网 Design By www.eoogi.com
暂无评论...
P70系列延期,华为新旗舰将在下月发布
3月20日消息,近期博主@数码闲聊站 透露,原定三月份发布的华为新旗舰P70系列延期发布,预计4月份上市。
而博主@定焦数码 爆料,华为的P70系列在定位上已经超过了Mate60,成为了重要的旗舰系列之一。它肩负着重返影像领域顶尖的使命。那么这次P70会带来哪些令人惊艳的创新呢?
根据目前爆料的消息来看,华为P70系列将推出三个版本,其中P70和P70 Pro采用了三角形的摄像头模组设计,而P70 Art则采用了与上一代P60 Art相似的不规则形状设计。这样的外观是否好看见仁见智,但辨识度绝对拉满。
更新日志
2024年11月14日
2024年11月14日
- 张敬轩王菀之.2006-903.ID.CLUB拉阔演奏厅LIVE.2CD【环球】【WAV+CUE】
- 《欢欣森活》存档方法
- 《炉石传说》2024新赛季上线更新内容问题汇总
- 《南瓜恐慌》进不去游戏解决方法
- 杨烁《杨烁唱唐诗》2024Hi-Res[WAV分轨]
- 杨烁《杨烁唱唐诗》2024Hi-Res[WAV分轨]
- 童丽《民歌童丽(HQCD)》【WAV+CUE】
- 童丽《绝对收藏》2022头版限量编号[WAV+CUE][1G]
- 腾格尔《出走天堂》MQA-UHQCD限量版[低速原抓WAV+CUE][1G]
- 田震《时光音乐会》纯银CD[低速原抓WAV+CUE][1G]
- 炉石传说11月初最强登顶卡组合集 炉石传说11月初登顶卡组分享
- lol炼金龙魂详细属性是什么 2024炼金龙魂详细属性介绍
- 英雄联盟六个龙魂是哪六个 英雄联盟六个龙魂介绍一览
- 《忆蚀》Subliminal:揭秘后室之谜,路知行献声Weplay文化展
- 初始之部制作人气漫画改编游戏《我家大师兄脑子有坑》参展2024WePlay