Python 爬虫学习笔记之单线程爬虫

介绍

本篇文章主要介绍如何爬取麦子学院的课程信息（本爬虫仍是单线程爬虫），在开始介绍之前，先来看看结果示意图

怎么样，是不是已经跃跃欲试了？首先让我们打开麦子学院的网址，然后找到麦子学院的全部课程信息，像下面这样

这个时候进行翻页，观看网址的变化，首先，第一页的网址是 http://www.maiziedu.com/course/list/, 第二页变成了 http://www.maiziedu.com/course/list/all-all/0-2/, 第三页变成了 http://www.maiziedu.com/course/list/all-all/0-3/ ，可以看到，每次翻一页，0后面的数字就会递增1，然后就有人会想到了，拿第一页呢？我们尝试着将 http://www.maiziedu.com/course/list/all-all/0-1/ 放进浏览器的地址栏，发现可以打开第一栏，那就好办了，我们只需要使用 re.sub() 就可以很轻松的获取到任何一页的内容。获取到网址链接之后，下面要做的就是获取网页的源代码，首先右击查看审查或者是检查元素，就可以看到以下界面

找到课程所在的位置以后，就可以很轻松的利用正则表达式将我们需要的内容提取出来，至于怎么提取，那就要靠你自己了，尝试着自己去找规律才能有更大的收获。如果你实在不知道怎么提取，那么继续往下，看我的源代码吧

实战源代码

     # coding=utf-8
     import re
     import requests
     import sys
     reload(sys)
     sys.setdefaultencoding("utf8")


     class spider():
       def __init__(self):
         print "开始爬取内容。。。"

        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 title="(.*?)"', eachclass, re.S).group(1)
      info['people'] = re.search('<p class="color99">(.*?)</p>', eachclass, re.S).group(1)
      return info

    def saveinfo(self, classinfo):
      f = open('info.txt', 'a')

      for each in classinfo:
        f.writelines('title : ' + each['title'] + '\n')
        f.writelines('people : ' + each['people'] + '\n\n')

      f.close()


    if __name__ == '__main__':

       classinfo = []
       url = 'http://www.maiziedu.com/course/list/all-all/0-1/'
       maizispider = spider()
       all_links = maizispider.changePage(url, 30)
       for each in all_links:
         htmlsources = maizispider.getsource(each)
         classes = maizispider.getclasses(htmlsources)
         eachclasses = maizispider.geteach(classes)

         for each in eachclasses:
           info = maizispider.getinfo(each)
           classinfo.append(info)

       maizispider.saveinfo(classinfo)

以上代码并不难懂，基本就是正则表达式的使用，然后直接运行就可以看到开头我们的截图内容了，由于这是单线程爬虫，所以运行速度感觉有点慢，接下来还会继续更新多线程爬虫。

应小伙伴们的要求，下面附上requests爬虫库的安装和简单示例

首先安装pip包管理工具,下载get-pip.py. 我的机器上安装的既有python2也有python3。

安装pip到python2：

python get-pip.py

安装到python3：

python3 get-pip.py

pip安装完成以后，安装requests库开启python爬虫学习。

安装requests

pip3 install requests

我使用的python3，python2可以直接用pip install requests.

入门例子

    import requests

    html=requests.get("http://gupowang.baijia.baidu.com/article/283878")
    html.encoding='utf-8'
    print(html.text)

第一行引入requests库，第二行使用requests的get方法获取网页源代码，第三行设置编码格式，第四行文本输出。
把获取到的网页源代码保存到文本文件中：

    import requests
    import os

    html=requests.get("http://gupowang.baijia.baidu.com/article/283878")
    html_file=open("news.txt","w")
    html.encoding='utf-8'
    print(html.text,file=html_file)