首页 > 代码库 > python实现的一个简单的网页爬虫

python实现的一个简单的网页爬虫

学习了下python,看了一个简单的网页爬虫:http://www.cnblogs.com/fnng/p/3576154.html

自己实现了一个简单的网页爬虫,获取豆瓣的最新电影信息。

爬虫主要是获取页面,然后对页面进行解析,解析出自己所需要的信息进行进一步分析和挖掘。

首先需要学习python的正则表达式:http://www.cnblogs.com/fnng/archive/2013/05/20/3089816.html

解析的url:http://movie.douban.com/

查看网页源代码,分析要解析的地方:

得到资源信息:

1.电影图片

2.电影标题

3.电影评分

4.电影票信息

抓取结果为:

python实现代码为:

 

#!/usr/bin/env python#coding=utf-8import urllibimport urllib2import reimport pymongodef getHtml(url):    page=urllib2.urlopen(url)    html=page.read()    page.close()    return htmldef getContent(html):    reg=r<li class="poster">.+?src="http://www.mamicode.com/(.+?\.jpg)".+?</li>.+?class="title".+?
class="">(.+?)</a>.+?class="rating".+?class="subject-rate">(.+?)</span>.+?<a onclick=".+?">(.+?)</a>
contentre=re.compile(reg,re.DOTALL) contentlist=contentre.findall(html) return contentlistdef getConnection(): #拿到数据库连接 conn=pymongo.Connection(localhost,27017) return conndef saveToDB(contentlist): #存储至mongodb数据库中 conn=getConnection() db=conn.db t_movie=db.t_movie for content in contentlist: value=dict(poster=content[0],title=content[1],rating=content[2],ticket_btn=content[3]) t_movie.save(value) def display(contentlist): for content in contentlist: #values=dict(poster=content[0],title=content[1],rating=content[2],ticket_btn=content[3]) print poster,\t,content[0] print title,\t,content[1] print rating,\t,content[2] print ticket_btn,\t,content[3] print..............................................................................if __name__=="__main__": url="http://movie.douban.com/" html=getHtml(url) #print html contentlist=getContent(html) print len(contentlist) #print contentlist display(contentlist) saveToDB(contentlist) print "finished"

 

 

 

到此,一个简单的网页爬虫就成功完成了,是不是很简单~~

python实现的一个简单的网页爬虫