在上次的爬蟲中，抓取的數(shù)據(jù)主要用到的是第三方的Beautifulsoup庫(kù)，然后對(duì)每一個(gè)具體的數(shù)據(jù)在網(wǎng)頁(yè)中的selecter來找到它，每一個(gè)類別便有一個(gè)select方法。對(duì)網(wǎng)頁(yè)有過接觸的都知道很多有用的數(shù)據(jù)都放在一個(gè)共同的父節(jié)點(diǎn)上，只是其子節(jié)點(diǎn)不同。在上次爬蟲中，每一類數(shù)據(jù)都要從其父類（包括其父節(jié)點(diǎn)的父節(jié)點(diǎn)）上往下尋找ROI數(shù)據(jù)所在的子節(jié)點(diǎn)，這樣就會(huì)使爬蟲很臃腫，因?yàn)楹芏鄶?shù)據(jù)有相同的父節(jié)點(diǎn)，每次都要重復(fù)的找到這個(gè)父節(jié)點(diǎn)。這樣的爬蟲效率很低。

因此，筆者在上次的基礎(chǔ)上，改進(jìn)了一下爬取的策略，筆者以實(shí)例來描述。

如圖，筆者此次爬取的是百度音樂的頁(yè)面，所爬取的類容是上面榜單下的所有內(nèi)容（歌曲名，歌手，排名）。如果按照上次的爬蟲的方法便要寫上三個(gè)select方法，分別抓取歌曲名，歌手，排名，但筆者觀察得知這三項(xiàng)數(shù)據(jù)皆放在一個(gè)li標(biāo)簽內(nèi)，如圖：

這樣我們是不是直接抓取ul標(biāo)簽，再分析其中的數(shù)據(jù)便可得到全部數(shù)據(jù)了？答案是，當(dāng)然可以。

但Beaufulsoup不能直接提供這樣的方法，但Python無所不能，python里面自帶的re模塊是我見過最迷人的模塊之一。它能在字符串中找到我們讓我們r(jià)oi的區(qū)域，上述的li標(biāo)簽中包含了我們需要的歌曲名，歌手，排名數(shù)據(jù)，我們只需要在li標(biāo)簽中通過re.findall()方法，便可找到我們需要的數(shù)據(jù)。這樣就能夠大大提升我們爬蟲的效率。

我們先來直接分析代碼：

def parse_one_page(html): 
 soup = BeautifulSoup(html, 'lxml') 
 data = soup.select('div.ranklist-wrapper.clearfix div.bd ul.song-list li') 
 pattern1 = re.compile(r'<li.*?<div class="index">(.*?)</div>.*?title="(.*?)".*?title="(.*?)".*?</li>', re.S) 
 pattern2 = re.compile(r'<li.*?<div class="index">(.*?)</div>.*?title="(.*?)".*?target="_blank">(.*?)</a>', re.S) 
 
 wants = [] 
 for item in data: 
  # print(item) 
  final = re.findall(pattern1, str(item)) 
  if len(final) == 1: 
   # print(final[0]) 
   wants.append(final[0]) 
  else: 
   other = re.findall(pattern2, str(item)) 
   # print(other[0]) 
   wants.append(other[0]) 
 return wants 

上面的代碼是我分析網(wǎng)頁(yè)數(shù)據(jù)的全部代碼，這里不得不說python語(yǔ)言的魅力，數(shù)十行代碼便能完成java100行的任務(wù)，C/C++1000行的任務(wù)。上述函數(shù)中，筆者首先通過Beautifulsoup得到該網(wǎng)頁(yè)的源代碼，再通過select()方法得到所有l(wèi)i標(biāo)簽中的數(shù)據(jù)。

到這里，這個(gè)爬蟲便要進(jìn)入到最重要的環(huán)節(jié)了，相信很多不懂re模塊的童靴們有點(diǎn)慌張，在這里筆者真的是強(qiáng)烈推薦對(duì)python有興趣的童靴們一定要學(xué)習(xí)這個(gè)非常重要的一環(huán)。首先，我們知道re的方法大多只針對(duì)string型數(shù)據(jù)，因此我們調(diào)用str()方法將每個(gè)list中的數(shù)據(jù)（即item）轉(zhuǎn)換為string型。然后便是定義re的pattern了，這是個(gè)稍顯復(fù)雜的東西，其中主要用到re.compile()函數(shù)得到要在string中配對(duì)的pattern，這里筆者便不累述了，感興趣的童靴可以去網(wǎng)上查閱一下資料。

上述代碼中，筆者寫了兩個(gè)pattern，因?yàn)榘俣纫魳返木W(wǎng)頁(yè)里，li標(biāo)簽有兩個(gè)結(jié)構(gòu)，當(dāng)用一個(gè)pattern在li中找不到數(shù)據(jù)時(shí)，便使用另一個(gè)pattern。關(guān)于re.findadd()方法，它會(huì)返回一個(gè)list，里面裝著tuple，但其實(shí)我們知道我們找到的數(shù)據(jù)就是list[0]，再將每個(gè)數(shù)據(jù)添加到另一個(gè)List中，讓函數(shù)返回。

相信很多看到這里的小伙伴已經(jīng)云里霧里，無奈筆者對(duì)re板塊也知道的不多，對(duì)python感興趣的同學(xué)可以查閱相關(guān)資料再來看一下代碼，相信能夠如魚得水。

完整的代碼如下：

import requests 
from bs4 import BeautifulSoup 
import re 
 
 
def get_one_page(url): 
 wb_data = requests.get(url) 
 wb_data.encoding = wb_data.apparent_encoding 
 if wb_data.status_code == 200: 
  return wb_data.text 
 else: 
  return None 
 
 
def parse_one_page(html): 
 soup = BeautifulSoup(html, 'lxml') 
 data = soup.select('div.ranklist-wrapper.clearfix div.bd ul.song-list li') 
 pattern1 = re.compile(r'<li.*?<div class="index">(.*?)</div>.*?title="(.*?)".*?title="(.*?)".*?</li>', re.S) 
 pattern2 = re.compile(r'<li.*?<div class="index">(.*?)</div>.*?title="(.*?)".*?target="_blank">(.*?)</a>', re.S) 
 
 wants = [] 
 for item in data: 
  # print(item) 
  final = re.findall(pattern1, str(item)) 
  if len(final) == 1: 
   # print(final[0]) 
   wants.append(final[0]) 
  else: 
   other = re.findall(pattern2, str(item)) 
   # print(other[0]) 
   wants.append(other[0]) 
 return wants 
 
 
if __name__ == '__main__': 
 url = 'http://music.baidu.com/' 
 html = get_one_page(url) 
 data = parse_one_page(html) 
 for item in data: 
  dict = { 
   '序列': item[0], 
   '歌名': item[1], 
   '歌手': item[2] 
  } 
  print(dict) 

最后我們看到的輸出結(jié)果如下：

好了，筆者今天就到這里了。希望喜歡python的萌新能夠快速實(shí)現(xiàn)自己的spider，也希望一些大神們能夠看到這篇文章時(shí)不吝賜教。

以上這篇python爬蟲之爬取百度音樂的實(shí)現(xiàn)方法就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。