爬虫小案例02—使用re模块爬取排行榜信息，one page

具体步骤如下：

1、明确爬取的网址，并检查所要获取的内容是否在网页源代码中 2、加载所有的包，并尝试获取网页源代码 3、解析数据 4、开始匹配 5、将数据保存为csv格式，方便数据分析时使用

1、本此爬取的网址及想要获取的内容

网址是：https://movie.douban.com/chart 预获取的内容： 在网页上面右击——检查，发现想要的数据均可以从源代码中直接获取

2、加载所有的包，并尝试获取网页源代码

import requests
import re

#获取页面源代码
url = "https://movie.douban.com/chart"
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36"   
}
rep = requests.get(url,headers = headers)
print(rep.text)

成功获取，和在浏览器中查看的源代码是一致的，没有乱码

3、解析数据

欲获取的内容应该有一致的结构，里面不同的内容但是我们不需要的可以使用.*?过滤掉， 想要的内容使用(？P.*?)，其中中的是组名，任取

#开始解析
obj = re.compile('.*?.*?
(?P.*?)
.*?(?P.*?).*?(?P.*?)',re.S)

4、开始匹配（可以查看匹配结果）

#进行匹配
result = obj.finditer(rep.text)
for i in result:
    print(i.group("name"))
    print(i.group("time"))
    print(i.group("score"))
    print(i.group("num"))

5、将数据保存为csv格式（可以将第4步省略掉）

数据保存为csv格式，方便数据分析时使用

#保存成文件，方便数据分析时使用
result = obj.finditer(rep.text)
f = open("data.csv",mode = "w")
csvwriter = csv.writer(f)
for it in result:
    #存储为字典
    dic = it.groupdict()
    csvwriter.writerow(dic.values())
#将打开的文件关闭
f.close()
print("success")

完整代码[可直接运行]

#导入所需要的包
import requests
import re
import csv
#获取页面源代码
url = "https://movie.douban.com/chart"
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36"   
}
rep = requests.get(url,headers = headers)
#开始解析
obj = re.compile('.*?.*?
(?P.*?)
.*?(?P.*?).*?(?P.*?)',re.S)
#进行匹配
result = obj.finditer(rep.text)
#保存成文件，方便数据分析时使用
f = open("data.csv",mode = "w")
csvwriter = csv.writer(f)
for it in result:
    #存储为字典
    dic = it.groupdict()
    csvwriter.writerow(dic.values())
#将打开的文件关闭
f.close()
print("success")