Python 原生爬虫

Posted 2020-12-31 因为专注。所以专业

Python3 实现游戏主播人气排行榜

from urllib import request
import re

# 爬取某个游戏主播的人气（每个游戏主播的观看人数）排行榜

‘‘‘
爬虫前奏：
    明确爬虫目的
    找到数据对应的网页
    分析网页的结构找到数据所在的标签位置
    模拟HTTP请求，向服务器发送这个请求，获取到服务器返回给我们的HTML
    利用正则表达式提取我们要的数据（主播名字，人气）
概括字符集：
    d D
    w 单词字符 W
    s 空白字符 S
    . 匹配除换行符
之外的所有字符
爬虫框架：
    Scrapy
    BeautifulSoup
进阶：
    爬虫
    大数据的存储
    数据的分析
常见问题：
    反爬虫
    反反爬虫
    IP被封
    代理IP库
‘‘‘

class Spider():
    url = ‘https://www.panda.tv/cate/lol‘
    root_pattern = ‘<div class="video-info">([sS]*?)</div>‘
    name_pattern = ‘</i>([sS]*?)</span>‘
    number_pattern = ‘<span class="video-number">([sS]*?)</span>‘

    def __fetch_content(self):
        r = request.urlopen(Spider.url)
        # bytes
        htmls = r.read()
        htmls = str(htmls, encoding=‘utf-8‘)
        return htmls


    def __analysis(self, htmls):
        root_html = re.findall(Spider.root_pattern, htmls)
        anchors = []
        for html in root_html:
            name = re.findall(Spider.name_pattern, html)
            number = re.findall(Spider.number_pattern, html)
            anchor = {‘name‘: name, ‘number‘: number}
            anchors.append(anchor)
        print(anchors[0])
        return anchors


    def __refine(self, anchors):
        jl = lambda anchors: {
            ‘name‘: anchors[‘name‘][0].strip(),
            ‘number‘: anchors[‘number‘][0].strip()
            }
        return map(jl, anchors)


    def __sort(self, anchors):
        # filter
        anchors = sorted(anchors, key=self.__sort_seed, reverse=True)
        return anchors

    def __sort_seed(self, anchor):
        r = re.findall(‘d*.d*‘, anchor[‘number‘])
        number = float(r[0])
        if ‘万‘ in anchor[‘number‘]:
            number *= 10000
        return number


    def __show(self, anchors):
        for rank in range(0, len(anchors)):
           print(‘rank ‘ + str(rank + 1)
                 + ‘:‘ + anchors[rank][‘name‘]
                 + ‘     ‘ + anchors[rank][‘number‘])

    def go(self):
        htmls = self.__fetch_content()
        anchors = self.__analysis(htmls)
        anchors = list(self.__refine(anchors))
        anchors = self.__sort(anchors)
        self.__show(anchors)

spider = Spider()
spider.go()