Python爬虫:使用requests+re来爬取豆瓣图书

这两天在知识星球上有球友在使用requests+re来爬豆瓣图书的链接,书名及作者遇到了问题,虽然当时很快给他解决了,但由于我之前没有写这方面的文章,所以临时决定补一篇这样的文章。

首先需要说明的是,在数据抓取的时候,肯定是优先使用xpath,如果xpath不行再考虑正则或者bs4, 因为xpath简单且高效!

概念性的东西这里就不说了,我们直接来实战,这里只简单说明一下,详细的需要自己去查一下资料!

要爬取的图书内容:

Python爬虫:使用requests+re来爬取豆瓣图书

爬取到的数据

Python爬虫:使用requests+re来爬取豆瓣图书

. 可以匹配除换行符外的字符

re* 表示匹配0个或多个表达式

re?匹配0个或多个由前面正则表达式定义的片段,非贪婪模式,且只匹配前一个

  1. 首先我们需要完全抓取,所以我们要使用re.findall方法,又因为数据全部在<li class>中,需要只需要对这个里面数据处理

  2. 然后每一列来匹配 <li class> 因为还需要向后匹配查找,所以需要添加.*? 匹配一次,非贪婪模式. 等等匹配到cover下面的目录,我们可以匹配到href,获取再匹配标题,但alt包含标题,所以这里直接来提取alt="(.*?)",

Python爬虫:使用requests+re来爬取豆瓣图书

  1. 接着需要提取数据出来这里使用(.*?) 把数据提出来,这里有多个数据需要提取,然后用数组呈现出来

完整代码

import requestsimport reimport sysreload(sys)sys.setdefaultencoding('utf-8')url = 'https://book.douban.com/'headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)\Chrome/55.0.2883.87 Safari/537.36'}html = requests.get(url, headers=headers)html.encoding = 'utf-8'# 这里我只取了链接与标题patter = re.compile('<li class.*?cover.*?href="(.*?)".*?alt="(.*?)".*?<p class="author".*?>(.*?)</p>', re.S)titles = re.findall(patter, html.text)for each in titles: print '书籍链接:{},书籍标题:{},---书籍作者:{}'.format(each[0], each[1],each[2].strip())

鲜花

握手

雷人

路过

鸡蛋
用心服务创业者
0851-88611148
周一至周五 9:00-18:00
意见反馈:admin@0851life.com

扫一扫关注我们

Powered by 童码少儿编程 X3.4© 2001-2013 0851life Inc.|网站地图