python简单实现网络爬虫

前言

    在这一篇博客中，我会用python来实现一个简单的网络爬虫。简单的爬取一下一些音乐网站、小说网站的标题、关键字还有摘要！所以这个爬虫并不是万能爬，只针对符合特定规则的网站使用。（只使用于爬标题、关键字和摘要的，所以只能爬在head标签中这三个信息都有的且meta标签中name参数在本文信息前面的网站。）希望大家看了这篇博客，能对大家学习爬虫有些帮助！（并不是很高深的爬虫，很基础！！！）

要用到的知识

    要用到的知识都是比较简单的啦，基本上花点时间都能学会。

    首先就是python的基础语法啦，会用能看懂就好。（会有一些文件读取的操作）

    还有就是关于爬虫的一些知识了：贪婪匹配和惰性匹配（re解析方式解析网页源代码）

    还需要一丢丢前端的知识：只需要大概看得懂html源代码就行（知道是在干嘛的）

    这些就差不多了（b站是最好的大学（主要是我懒，也没时间写这些））

爬虫的具体实现

    先拿一个网站做例子分析，打开酷狗官网，右键点击检查：

     红框中的就是我们需要提取的信息啦。这还是很容易提取出来的。使用re模块里面的贪婪匹配与惰性匹配，将想要的数据提取出来就好。例如：

 obj = re.compile(r'<title.*?>(?P<title>.*?)</title>.*?'
                  r'<meta.*?name="keywords".*?content="(?P<keywords>.*?)".*?>'
                  r'<meta.*?name="description".*?content="(?P<description>.*?)".*?>', re.S)

    在上面我们只用了一次compile函数就完成了匹配。

    但是我，我们需要提取的并不止是酷狗官网，还有其他一些网站。上面代码写的规则并不适合一些网站，比如，一些网站把标题放在最后面，关键字和摘要放在前面，那么我们就匹配不到想要的信息。这个也比较好解决，将一条compile拆成多条compile就行。

    obj1 = re.compile(r'<title.*?>(?P<title>.*?)</title>', re.S)
    obj2 = re.compile(r'<meta.*?name="keywords".*?content="(?P<keywords>.*?)".*?>', re.S)
    obj3 = re.compile(r'<meta.*?name="description".*?content="(?P<description>.*?)".*?>', re.S)

    下面是整个python源代码（在源代码里面使用了文件读取将提取到的信息保存到文件里面）：

import requests
import re
import csv

urls = []

# 分别是酷狗音乐、酷我音乐、网易云音乐、起点中文网、咪咕音乐、bilibili、qq音乐
urls.append("https://www.kugou.com/")
urls.append("http://www.kuwo.cn/")
urls.append("https://music.163.com/")
urls.append("https://www.qidian.com/")
urls.append("https://www.migu.cn/index.html")
urls.append("https://www.bilibili.com/")
urls.append("https://y.qq.com/")

# 打开csv文件
f = open("test.csv", mode="w", encoding="utf-8")
csvwriter = csv.writer(f)
csvwriter.writerow(["标题","关键字","摘要"])

# 对所有网站进行get访问，获取源代码后用re模块将想要提取的内容提取出来
for url in urls:
    # 向网页发出请求
    resp = requests.get(url)
    # 设置字符编码
    resp.encoding = 'utf-8'
    # 使用非贪婪匹配.*?（惰性匹配），re.S用来匹配换行符
    obj1 = re.compile(r'<title.*?>(?P<title>.*?)</title>', re.S)
    obj2 = re.compile(r'<meta.*?name="keywords".*?content="(?P<keywords>.*?)".*?>', re.S)
    obj3 = re.compile(r'<meta.*?name="description".*?content="(?P<description>.*?)".*?>', re.S)
    # 对网页源代码进行匹配
    result1 = obj1.finditer(resp.text)
    result2 = obj2.finditer(resp.text)
    result3 = obj3.finditer(resp.text)
    # 创建一个队列来将数据保存，方便写入csv文件中
    lis = []
    for it in result1:
        #print("标题：",it.group("title"))
        lis.append(it.group("title"))
    for it in result2:
        #print("关键字：",it.group("keywords"))
        lis.append(it.group("keywords"))
    for it in result3:
        #print("摘要：",it.group("description"))
        lis.append(it.group("description"))
    print(lis)
    print()
    # 将队列写入csv文件
    csvwriter.writerow(lis)
    # 关闭请求
    resp.close()
print('over!')
# 关闭文件指针
f.close()

    下面是运行结果图：

    用WPS打开这个csv文件进行查看： 

     在pycharm中打开csv文件查看是否将数据写入文件中：

结语

    好矛盾好纠结，又想把思路写清楚又感觉没必要。。。。。。

    感谢浏览这篇博客，希望这篇博客的内容能对你有帮助。