介紹
本篇文章主要介紹如何爬取麥子學院的課程信息（本爬蟲仍是單線程爬蟲），在開始介紹之前，先來看看結果示意圖
怎么樣，是不是已經躍躍欲試了？首先讓我們打開麥子學院的網址，然后找到麥子學院的全部課程信息，像下面這樣
這個時候進行翻頁，觀看網址的變化，首先，第一頁的網址是 http://www.maiziedu.com/course/list/, 第二頁變成了 http://www.maiziedu.com/course/list/all-all/0-2/, 第三頁變成了 http://www.maiziedu.com/course/list/all-all/0-3/ ，可以看到，每次翻一頁，0后面的數字就會遞增1，然后就有人會想到了，拿第一頁呢？我們嘗試著將 http://www.maiziedu.com/course/list/all-all/0-1/ 放進瀏覽器的地址欄，發現可以打開第一欄，那就好辦了，我們只需要使用 re.sub() 就可以很輕松的獲取到任何一頁的內容。獲取到網址鏈接之后，下面要做的就是獲取網頁的源代碼，首先右擊查看審查或者是檢查元素，就可以看到以下界面
找到課程所在的位置以后，就可以很輕松的利用正則表達式將我們需要的內容提取出來，至于怎么提取，那就要靠你自己了，嘗試著自己去找規律才能有更大的收獲。如果你實在不知道怎么提取，那么繼續往下，看我的源代碼吧
實戰源代碼
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
|
# coding=utf-8 import re import requests import sys reload(sys) sys.setdefaultencoding("utf8") class spider(): def __init__(self): print "開始爬取內容。。。" def changePage(self, url, total_page): nowpage = int(re.search('/0-(\d+)/', url, re.S).group(1)) pagegroup = [] for i in range(nowpage, total_page + 1): link = re.sub('/0-(\d+)/', '/0-%s/' % i, url, re.S) pagegroup.append(link) return pagegroup def getsource(self, url): html = requests.get(url) return html.text def getclasses(self, source): classes = re.search('<ul class="zy_course_list">(.*?)</ul>', source, re.S).group(1) return classes def geteach(self, classes): eachclasses = re.findall('<li>(.*?)</li>', classes, re.S) return eachclasses def getinfo(self, eachclass): info = {} info['title'] = re.search('<a py" id="highlighter_90957">
第一行引入requests庫，第二行使用requests的get方法獲取網頁源代碼，第三行設置編碼格式，第四行文本輸出。
延伸 · 閱讀
精彩推薦
最近更新 編輯推薦
閱讀排行 |
