python爬取豆瓣首页热门栏目详细流程

微信扫一扫,分享到朋友圈

python爬取豆瓣首页热门栏目详细流程

记录一下爬取豆瓣热门专栏的经过,通过这篇文章,你能学会requests,HTMLParser,json的基本使用,以及爬取网页内容的基本思路。

使用模块

1,获取豆瓣首页代码:首先我们需要访问豆瓣页面,获取首页的源码。这里推荐使用第三方库:requests,相比python内置的 urllib 模块,requests使用起来更简单,功能 更全面

2,对获取的代码进行解析:对于解析html代码,已经有很多功能强大的框架能使用,如Scrapy,PySpider,Beautiful Soup等,这里我们只是学习下爬虫的基本使用,所以 内建的 HTMLParser 足够使用了

3,对获取的数据进行处理: json

思路分析

既然我们需要的只是热门专栏模块的数据,那么我们需要一个标志来告诉我们:下面的代码就是专栏模块了,准备获取数据。同样我们需要知道当前

读取的是图片、标题还是栏目类别,以此将数据储存到相应的字段中。总的来说,我们最起码应该通过代码来实现以下几点:

1,获取网页源码

2,通过自定义方法解析html

3,通过标志位判断当前数据是否是我们需要的数据

4,通过分析代码结构决定将要储存的数据结构

5,将数据按照特定格式进行本地储存

豆瓣官网: https://www.douban.com/ ,分析一下我们需要爬取模块的代码:

可以看到,我们需要爬取的数据都在 ul.time-list 这个代码块里,那么我们的标志位就是: 当开始标签为 ul并且具有类名 time-list时,我们就要获取数据了,当结束标签为 ul 时, 停止解析 ,继续分析代码结构,每个 li 里面包含了对应数据里面的 详情页跳转链接,图片地址,标题以及专栏类别,那么我们的数据结构到这里也就很清楚了: 一个 li 块对应 一条数据,每条数据由四个字段组成:

详情页跳转链接 href –> 这里我们考虑了一下, 还是通过第二个a标签来获取,它具有统一的类名title,同时我们还能获取 标题title,

图片地址 imgUrl –> 通过每个li代码块里面唯一img标签的src属性可以轻松获取,

标题 title –> 通过 a.title获取,

专栏类别 type –> 唯一的 span 标签获取

tip:像上面我们选取数据的标志位一样,img的alt可以获取标题,a标签的文本也可以获取标题,两个a标签都能获取跳转链接不管是爬虫还是平时其他的开发,我们经常会遇到, 同一个需求有多种方法实现,这时候我们就需要思考一下哪一种方法更简洁,冷静分析后的编码不一定最优秀,但自己肯定印象深刻(说远了,回归正题)。

编码实现

通过上面的准备工作,我们已经确定了需要引入的模块,解析事件触发标志位,需要获取的数据,储存的数据结构,可以正式开始编码了:

requests是第三方库,需要另外安装,其他的是内置模块,直接引入即可:

1 import requests
2 from html.parser import HTMLParser
3 from html.entities import name2codepoint
4 import json

获取豆瓣首页源码:

1 r = requests.get('https://www.douban.com/', timeout = 3)

是的,通过 requests获取网页只需要一行代码,timeout为获取页面超时时间,通过 r.text 就是我们需要的html源码,r.encoding可以获取网页编码格式,当然requests还有其他的方法供我们使用,

如 带参数的url: r = requests.get(url, params={…..}),获取数据等

解析豆瓣首页源码:

HTMLParser 里已经封装好了针对html的各种事件处理,如 开始标签,结束标签,标签属性,标签文本,注释,特殊字符,不了解的可以看下这个:

https://www.liaoxuefeng.com/wiki/1016959663602400/1017784593019776 ,很简单很清晰

 1 class MyHTMLParser(HTMLParser):
 2     def __init__(self):
 3         super().__init__()
 4         # 是否开始解析
 5         self._allowRun = False
 6 
 7         # 创建dist备用:储存数据
 8         self.hotList = {'data': []}
 9 
10         # 每一个 li 块数据储存
11         self.listItem = {}
12 
13         # 当前解析标签类型的标志位
14         self.tagType = ''
15 
16     # 开始标签及 标签属性
17     def handle_starttag(self, tag, attrs):
18         if tag == 'ul' and ('class', 'time-list') in attrs:
19             self._allowRun = True
20 
21         # 若当前是开启解析状态
22         if self._allowRun:
23             if tag == 'a' and ('class', 'title') in attrs:
24                 self.tagType = 'a'
25                 for (key, value) in attrs:
26                     if key == 'href':
27                         self.listItem[key] = value
28             if tag == 'img':
29                 for (key, value) in attrs:
30                     if key == 'src':
31                         self.listItem['imgUrl'] = value
32 
33             if tag == 'span':
34                 self.tagType = 'span'
35             
36     # 结束标签
37     def handle_endtag(self, tag):
38         self.tagType = ''
39         if tag == 'ul':
40             self._allowRun = False
41 
42         if tag == 'li':
43             if len(self.listItem) != 0:
44                 self.hotList['data'].append(self.listItem)
45                 self.listItem = {}
46 
47     # 空标签及 标签属性
48     def handle_startendtag(self, tag, attrs):
49         if self._allowRun:
50             if tag == 'img':
51                 for (key, value) in attrs:
52                     if key == 'src':
53                         self.listItem['imgUrl'] = value
54     
55     # 标签文本
56     def handle_data(self, data):
57         if self._allowRun:
58             if self.tagType == 'a':
59                 self.listItem['title'] = data
60                 self.taga = False
61             elif self.tagType == 'span':
62                 self.listItem['type'] = data
63        
64     # 注释
65     def handle_comment(self, data):
66         pass
67 
68     # HTML entity 字符
69     def handle_entityref(self, name):
70         pass
71         
72     # Numeric 字符
73     def handle_charref(self, name):
74         pass
75 
76 parser = MyHTMLParser()
77 parser.feed(r.text)

代码说明:我们必须知道在解析过程中,实例方法是按照源码顺序循环执行的,也就是说在同一个实例方法里,我们可以针对不同的标签或其他条件来进行不同的操作。我们所有的解析操作都是针对 ul.time-list 代码块的,所以我们需要一个开关,当前代码是 ul.time-list时才执行我们自定义的解析操作,这个开关就是上面代码里的 _allowRun, 当开始标签是 ul.time-list的是否为 True,当结束标签是 ul 的是否为False,而 只有当  _allowRun 为 True的时候, 我们才继续解析当前的标签是 a 还是 img 或者 span。由于我们要在 文本解析事件 handle_data 中获取 a 标签的文本 作为字段 title 的值,span 标签的文本作为字段 type 的值,所以我们需要一个标志位变量来供我们在执行 handle_data 的时候判断当前解析的文本 是属于 a 还是 span,这 标志位变量就是上面代码中  tagType,在 handle_starttag 中赋值,在 handle_endtag 中清空。我们将每一条数据储存在  listItem 中,当结束标签为 li 时,说明我们的对一个 li 代码块解析完毕,listItem 储存了我们需要的单挑数据,将 listItem 添加到 hotList中并清空   listItem 。 执行上面代码,我们已经将数据储存在实例属性 hotList里面,我们可以在终端输出 parser.hotList:

储存数据

接下来就是将数据储存到本地文件中,而写入数据也是非常简单:

1 with open('hotList.json', 'w') as f:
2     json.dump(parser.hotList, f)

在当前目录里打开 hotList.json 文件,可以看到如下数据:

数据倒是写入了,但是中文却没有如愿显示,而且对于追求美观的我们来说也无法接受,所以我们需要指定写入编码格式,以及格式化:

1 with open('hotList.json', 'w', encoding="utf-8") as f:
2     json.dump(parser.hotList, f, ensure_ascii = False, indent = 4)

我们在写入的时候指定编码格式为 utf-8: encoding="utf-8",在 json.dump写入数据时增加了两个参数:ensure_ascii = False 禁止进行 ascii转码, indent = 4:按缩进为 4个单位格式化数据,当然我们还可以将字段进行排序,只需要加上字段:sort_keys = True,按需选择即可,再打开 hotList.json  文件查看:

 1 {
 2     "data": [
 3         {
 4             "imgUrl": "https://img1.doubanio.com/dae/niffler/niffler/images/1c6e77ec-c493-11e9-84c0-0242ac110008.jpg",
 5             "href": "https://m.douban.com/time/column/164?dt_time_source=douban-web_anonymous",
 6             "title": "伤别离与共春风——唐宋词的情感世界",
 7             "type": "音频专栏"
 8         },
 9         {
10             "imgUrl": "https://img1.doubanio.com/dae/niffler/niffler/images/511ccf86-b8fc-11e9-b188-0242ac110008.jpg",
11             "href": "https://m.douban.com/time/column/163?dt_time_source=douban-web_anonymous",
12             "title": "世界记忆大师教你快速提升记忆力",
13             "type": "视频专栏"
14         },
15         {
16             "imgUrl": "https://img1.doubanio.com/dae/niffler/niffler/images/74897a9e-880c-11e9-bd82-0242ac11001b.jpg",
17             "href": "https://m.douban.com/time/column/159?dt_time_source=douban-web_anonymous",
18             "title": "黑白之间:二十八堂书法练习课",
19             "type": "视频专栏"
20         },
21         {
22             "imgUrl": "https://img3.doubanio.com/dae/niffler/niffler/images/6f488990-a773-11e9-b587-0242ac110011.jpg",
23             "href": "https://m.douban.com/time/column/161?dt_time_source=douban-web_anonymous",
24             "title": "马伯庸的冷门书单",
25             "type": "音频专栏"
26         },
27         {
28             "imgUrl": "https://img1.doubanio.com/dae/niffler/niffler/images/6c46cb9c-ac61-11e9-97e2-0242ac11000c.jpg",
29             "href": "https://m.douban.com/time/column/162?dt_time_source=douban-web_anonymous",
30             "title": "听!解说式音乐会——古典音乐聆听指南",
31             "type": "视频专栏"
32         },
33         {
34             "imgUrl": "https://img3.doubanio.com/dae/niffler/niffler/images/ebd421cc-9968-11e9-ad2c-0242ac110006.jpg",
35             "href": "https://m.douban.com/time/column/158?dt_time_source=douban-web_anonymous",
36             "title": "从格里菲斯到诺兰——影迷都在看的电影结构大师课",
37             "type": "视频专栏"
38         },
39         {
40             "imgUrl": "https://img3.doubanio.com/dae/niffler/niffler/images/fa83f054-9633-11e9-a82e-0242ac110006.jpg",
41             "href": "https://m.douban.com/time/column/157?dt_time_source=douban-web_anonymous",
42             "title": "打开电影声音的魔盒——好莱坞声音设计大师课",
43             "type": "视频专栏"
44         },
45         {
46             "imgUrl": "https://img3.doubanio.com/dae/niffler/niffler/images/81788c8e-8e53-11e9-b51e-0242ac110010.jpg",
47             "href": "https://m.douban.com/time/column/156?dt_time_source=douban-web_anonymous",
48             "title": "一剧之本——好莱坞编剧教父大师课",
49             "type": "视频专栏"
50         },
51         {
52             "imgUrl": "https://img3.doubanio.com/dae/niffler/niffler/images/5d7d70aa-8b25-11e9-a08f-0242ac110012.jpg",
53             "href": "https://m.douban.com/time/column/155?dt_time_source=douban-web_anonymous",
54             "title": "老叶说电影——90分钟看懂中国电影产业",
55             "type": "视频专栏"
56         },
57         {
58             "imgUrl": "https://img3.doubanio.com/dae/niffler/niffler/images/e2e59078-828e-11e9-a465-0242ac110012.jpg",
59             "href": "https://m.douban.com/time/column/154?dt_time_source=douban-web_anonymous",
60             "title": "好莱坞特效大师课——从概念艺术到3D建模",
61             "type": "视频专栏"
62         }
63     ]
64 }

这样就只有两个字:嘘服。

总结

这个例子只是用来熟悉爬虫基本操作和思维逻辑,真正用到项目中还是得结合其他框架,如 Beautiful Soup,就可以获取指定代码片段进行解析而不需要像我们上面那样设置 开关或标志位。有兴趣的朋友可以自己动手试试。

与诸君共勉。

换脸App威胁“刷脸支付”安全?支付宝、银行回应……

上一篇

编程的休渔期

下一篇

你也可能喜欢

python爬取豆瓣首页热门栏目详细流程

长按储存图像,分享给朋友