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")