python第一站

时间：2023-12-31 15:04:50

python 第一站，豆瓣-美国末日评论小爬虫

最近学习python，但是光是看书看视频学习，总是觉得掌握的不够扎实。所以就决定自己去写写爬虫，当带着目的性去学，也许更容易发现自己需要什么。这是酝酿多日之后的第一个作品，简单的不能再简单的一个小爬虫。

使用工具：

  • python3 （windows环境）
  • re , urllib , urllib2 , json（这几个是python基本库中的，虽然json好像没用到— —！）
  • BeautifulSoup4（非python基本库，需要自己安装）

思路：

首先，使用urllib将url解析成html文本，然后用BeautifulSoup将html文本解析成BeautifulSoup类型的对象，然后去查看对应元素的值以及文本，通过python去分析这些数据，最后给出结果。

代码：

# -*- coding: utf-8 -*-

import urllib , json , string , re

from urllib import request

from bs4 import BeautifulSoup as BS

def UrlToHtml(url):

    a = urllib.request.urlopen(url)

    b = a.readlines()

    for i in range(0,len(b)):

        b[i] = b[i].decode('utf-8')

    b = ''.join(b)

    return b 

def ToUrl(Page):

    Nums = int(Page)*20

    url = 'https://www.douban.com/game/25889245/comments?start='+str(Nums)+'&sort=score'

    return url

page = 0

while True:

    Url = ToUrl(page)

    Html = UrlToHtml(Url)

    soup = BS(Html,'html.parser')

    list_a = []

    list_b = []

    for Li in soup.findAll('li',class_='comment-item'):

        list_a.append(Li)

    for Li in list_a:

        star_f = Li.find(name = 'span', attrs = { 'class' : re.compile(r'allstar..')})

        if star_f == None:

            list_b.append('未打分')

        else:

            list_b.append(dict(star_f.attrs)['title'])

    for i in range(0,len(list_b)):

        if list_b[i] == str('未打分'):

            print('第{}页第{}楼，没有打分'.format(page+1,i+1))

        elif list_b[i] == str('推荐'):

            print('第{}页第{}楼，没有给5星评价'.format(page+1,i+1))

    page+=1

    if len(list_a) < 2 :

        break

知识点：

  • from urllib import request , urllib.request.urlopen(url) ， 将url解析成html文本 ， 但是解析后类型为bytes，中文显示乱码 ， 所以用html.decode('utf-8')将它的类型转化成str
  • soup = BeautifulSoup(Html,'html.parser')将html文本转化成BeautifulSoup对象
  • 使用soup.find 和 soup.findAll 以及正则表达式获取需要的数据

相关文章