Python爬蟲(chóng)運(yùn)用正則表達(dá)式的方法和優(yōu)缺點(diǎn)

前言

我看到最近幾部電影很火，查了一下貓眼電影上的數(shù)據(jù)，發(fā)現(xiàn)還有個(gè)榜單，里面有各種經(jīng)典和熱映電影的排行榜，然后我覺(jué)得電影封面圖還挺好看的，想著一張一張下載真是費(fèi)時(shí)費(fèi)力，于是突發(fā)奇想，好像可以用一下最近學(xué)的東西實(shí)現(xiàn)我的需求，學(xué)習(xí)了正則表達(dá)式之后，想著要感受一下它在爬蟲(chóng)里面的效果和優(yōu)缺點(diǎn)。

目標(biāo)：爬取Top100榜單上電影的封面圖

Top100榜單規(guī)則：將貓眼電影庫(kù)中的經(jīng)典影片，按照評(píng)分和評(píng)分人數(shù)從高到低綜合排序取前100名，每天上午10點(diǎn)更新。相關(guān)數(shù)據(jù)來(lái)源于“貓眼電影庫(kù)”。

下面是我做的步驟：

（1）查看頁(yè)面元素，找到包含圖片的路徑的代碼段落

（2）分析圖片在web上面的唯一屬性，便于之后獲取正確圖片位置信息

（3）因?yàn)樾枰?yè)，觀察多個(gè)頁(yè)面的URL變化

（4）綜合以上幾個(gè)點(diǎn)，編寫合適的正則表達(dá)式

 1、python 標(biāo)準(zhǔn)庫(kù)中re模塊提供了正則表達(dá)式的全部功能，直接引入；requests模塊是http庫(kù)，爬蟲(chóng)常用庫(kù)，而urllib.requests 則是最后用到寫入文件的函數(shù)

import re
import requests
import urllib.request

2、先接收URL地址的HTML頁(yè)面，然后轉(zhuǎn)化為str形式（正則表達(dá)式是匹配字符串），第一個(gè)pattern1縮小范圍，抓取目標(biāo)部分，result1接收匹配的結(jié)果，這時(shí)候所有封面圖地址就在里面了

response = requests.get(url)
response = str(response.content)
patttern1 = '<dl class="board-wrapper">.+?<div class="pager-main">'
result1 = re.compile(pat).findall(response)

3、第二個(gè)正則，匹配圖片的地址信息

pat2 = '<img data-src="https://(.+?\.jpg)'
photos = re.compile(pat1).findall(re1[0])

這時(shí)候爬取到100張圖的信息，如下圖：

 4、繼續(xù)下一步，把每張圖片命名好，需要正確的圖片地址，避免重復(fù) 

x = 1
for imgurl in name:
 imgname = 'D:/Top 100/'+str(i/10)+str(x)+'.jpg'
 imgurl = 'https://'+imgurl
 urllib.request.urlretrieve(imgurl,filename=imgname)
 x += 1

 5、最后一步了，因?yàn)樾枰?yè)爬取，所以加了一個(gè)循環(huán)，10頁(yè)內(nèi)容爬取下來(lái)

for i in range(0, 100, 10):
  url = 'http://maoyan.com/board/4?offset='+str(i)
  get_one_page(url, i)
  #定義函數(shù)，多次調(diào)用

相對(duì)來(lái)說(shuō)，這是一個(gè)很簡(jiǎn)單的應(yīng)用，也是自己學(xué)習(xí)之后的實(shí)踐，在這個(gè)例子中，我是用到正則表達(dá)式來(lái)實(shí)現(xiàn)的，還有其他方法，而且可能簡(jiǎn)單，比如BeautifulSoup，XPath等方法，用在更加復(fù)雜的爬蟲(chóng)項(xiàng)目里面，需要的知識(shí)更多，方法更嚴(yán)謹(jǐn)，還需學(xué)習(xí)學(xué)習(xí)！

總結(jié)

以上就是這篇文章的全部?jī)?nèi)容了，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，謝謝大家對(duì)億速云的支持。