今天是个值得纪念了日子，我终于在博客园上发表自己的第一篇博文了。作为一名刚刚开始学习python网络爬虫的爱好者，后期本人会定期发布自己学习过程中的经验与心得，
希望各位技术大佬批评指正。以下是我自己做的一个小爬虫，用到了爬虫的基本知识requests库+正则表达式库，最后将爬取到的结果存入日志result.txt,推荐给刚刚开始学习的小白们，
学不可以已，积土成山，风雨兴焉，希望我们共同进步！
1 #author: "xian" 2 #date: 2018/5/2 3 import requests #导入requests库 4 from requests.exceptions import RequestException #导入异常处理模块 具体见官网 5 import re #导入re模块 6 import json #导入json模块
#import 7 8 def get_one_page(url): #获取单个页面，RequestException用来捕获异常 9 headers = { 10 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36', 11 12 } #maoyan要求headers 13 try: 14 response = requests.get(url,headers = headers) 15 if response.status_code == 200: 16 return response.text 17 else: 18 return None 19 except RequestException: 20 return None 21 22 def parse_one_page(html): #利用正则解析单个页面 23 pattern = re.compile('<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)"' 24 +'.*?name"><a.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>' 25 +'.*?integer">(.*?)</i>.*?fraction">(\d+)</i>.*?</dd>',re.S) #生成一个正则表达式对象供后面调用 26 27 items = re.findall(pattern,html) 28 for item in items: 29 yield { 30 'index':item[0], 31 'image':item[1], 32 'title':item[2], 33 'authors':item[3].strip()[3:], 34 'time':item[4].strip()[5:], 35 'rating':item[5] + item[6], 36 37 }
1 def write_to_file(content):#写入日志result.txt,其中encoding 和 ensure_ascii 解决编码问题，当然你也可以使用codecs模块 2 with open('result.txt','a',encoding='utf8') as f: 3 f.write(json.dumps(content,ensure_ascii=False) +'\n')#json.dumps为了将内容转成json字符串 4 f.close() 5 6 def main():#主函数 7 url = 'http://maoyan.com/board' 8 html = get_one_page(url) 9 for item in parse_one_page(html): 10 print(item) 11 write_to_file(item) 12 13 if __name__ == '__main__': 14 main()#解决战斗，妈妈再也不用担心我的学习了！
部分运行效果图：
