Python小实战——原生爬虫

前言：在网络无处不在的今天，大数据的分析与提取也逐渐发展了起来。现在我们使用Python来做一个原生爬虫的小案例——爬取斗鱼直播平台分区下推荐视频播放量的排名，通过这个案例可以回顾前面所学的正则表达式等知识。

原生爬虫步骤：

1.模拟请求

2.用标签定位并提取数据（重点是正则表达式的编写）

3.数据精炼

4.业务处理

一.模拟请求

建立Spider类

from urllib import request

class Spider():
    url = "https://www.douyu.com/g_LOL"

    def __fetch_content(self):
        r = request.urlopen(Spider.url)
        htmls = r.read()
        #此处断点调试

    def go(self):
        self.__fetch_content()

spider = Spider()
spider.go()

调试结果

可以看出，需要对htmls进行转码：

1	htmls = str(htmls,encoding='utf-8')

再次调试后报错：

网上查阅资料后发现，是因为:

1	以"b’\x1f\x8b\x08"开头的，说明它是gzip压缩过的数据，这也是报错的原因，所以我们需要对我们接收的字节码进行一个解码操作。

修改代码如下：

from urllib import request
from io import BytesIO
import gzip

class Spider():
  	#需要爬虫的URL
    url = "https://www.douyu.com/g_LOL"

    def __fetch_content(self):
        r = request.urlopen(Spider.url)
        #获取HTML字节码
        htmls = r.read()
        buff = BytesIO(htmls)
        f = gzip.GzipFile(fileobj=buff)
        result = f.read().decode('utf-8')	#解码

    def go(self):
        self.__fetch_content()

spider = Spider()
spider.go()

调试结果：

可以看到，已经爬取到了网页的HTML数据

上面部分可能会遇到的错误与解决方法
- urllib.error.URLError: urlopen error [SSL: CERTIFICATE_VERIFY_FAILED]
  1
  2
  3
  4
  # 全局取消证书验证
  
  import ssl
  ssl._create_default_https_context = ssl._create_unverified_context

二.定位数据与提取、业务处理

第一步：观察游览器内HTML数据，尽可能选择闭合标签

如上图所示，我定位到了包含了主播名字、播放量的数据的div标签
第二步：编写正则表达式，抽取div标签
1
2
root_pattern = '<div class="DyListCover-info">[\s\S]*?</div>'
#使用re.findall方法
匹配取得一个列表后，打印其中一个元素验证是否获取成功

可以看到，我们成功获取了主播"芜湖大司马"的一个视频播放量"224.9万"，但还需要精确提取

第三步：在div标签中抽取数据

1 2	#在正则表达式中加入组()标签，即可取出中间内容 root_pattern = '<div class="DyListCover-info">([\s\S]*?)</div>'

写名字、播放量的正则表达式（根据有规律的标签定位）

1 2	name_pattern = '<use xlink:href="#icon-user_c95acf8"></use></svg>([\s\S]?)</h2>' number_pattern = '</use></svg>([\s\S]?)</span><h2 class="DyListCover-user is-template">'

然后调用函数进行匹配

def __analysis(self, htmls):
        root_html = re.findall(Spider.root_pattern, htmls)
        anchors = []
        for html in root_html:
            name = re.findall(Spider.name_pattern, html)
            number = re.findall(Spider.number_pattern, html)
            if name!=[]:
                anchor = {'name':name, 'number':number}
                anchors.append(anchor)
        return anchors

匹配并打印anchors结果如下

可以看到，我们已经成功抓取出这部分数据了

第四步：数据精炼

def __refine(self, anchors):
        l = lambda anchor: {
            'name':anchor['name'][0].strip(),   #strip()为python内置函数
            'number':anchor['number'][0]        #用于去除字符串前后空格
            } 
        return map(l, anchors)

第五步：业务处理（排序）

def __sort(self, anchors):
        anchors = sorted(anchors,key=self.__sort_seed,reverse=True) #第二个参数为key，指定比较大小的元素，第三个参数reverse可调整顺序或倒序排序
        return anchors
    
def __sort_seed(self, anchor):
        r = re.findall('\d*',anchor['number'])
        number = float(r[0])

        if '万' in anchor['number']:	#将万转换为10000
            number *= 10000
            
        return number

第六步：打印数据

def __show(self, anchors):
        # for anchor in anchors:
        #     print(anchor['name'] + "-----" + anchor['number'])
        for rank in range(0,len(anchors)):
            print('rank' + str(rank+1) + ':   ' + anchors[rank]['name']+'   '+ anchors[rank]['number'])