欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫入门教程 19-100 51CTO学院IT技术课程抓取

程序员文章站 2022-03-30 20:23:09
写在前面 从今天开始的几篇文章,我将就国内目前比较主流的一些在线学习平台数据进行抓取,如果时间充足的情况下,会对他们进行一些简单的分析,好了,平台大概有 ,`CSDN学院 网易云课堂 慕课网 mongodb`里面,如果对上述平台造成了困扰,请见谅,毕竟我就抓取那么一小会的时间,不会对服务器有任何影响 ......

写在前面

从今天开始的几篇文章,我将就国内目前比较主流的一些在线学习平台数据进行抓取,如果时间充足的情况下,会对他们进行一些简单的分析,好了,平台大概有51cto学院csdn学院网易云课堂慕课网等平台,数据统一抓取到mongodb里面,如果对上述平台造成了困扰,请见谅,毕竟我就抓取那么一小会的时间,不会对服务器有任何影响的。

Python爬虫入门教程 19-100 51CTO学院IT技术课程抓取

1. 目标网站

今天的目标网站是 http://edu.51cto.com/courselist/index.html?edunav 数据量大概在1w+,还不错
Python爬虫入门教程 19-100 51CTO学院IT技术课程抓取

2. 分析页面需要的信息

下图标注的框框,就是我们需要的信息了
Python爬虫入门教程 19-100 51CTO学院IT技术课程抓取

如果查看源码,我们还能得到其他有价值的隐藏信息,也同时的抓取到,另外,今天的主题不是下载图片,所以针对课程缩略图,我只保留一个图片链接到mongodb里面,就不做单独的处理了。

在开发者工具中,继续检索有用信息。发现一个独家 这个信息看似有用唉,可以做保留。

Python爬虫入门教程 19-100 51CTO学院IT技术课程抓取

3. 分析爬取方式

分析完毕就是要爬取操作了,看一下这个网站是否是ajax动态加载的,如果不是,那么就采用最笨的办法爬取。
查阅网站源代码之后,发现没有异步数据。
采用url拼接的方式爬取即可。

url规律如下,因为数据相对变化不大,末尾的页码是417,所以url直接生成就可以了。

http://edu.51cto.com/courselist/index-p2.html
http://edu.51cto.com/courselist/index-p3.html
http://edu.51cto.com/courselist/index-p4.html
http://edu.51cto.com/courselist/index-p5.html
...
http://edu.51cto.com/courselist/index-p417.html

今天主要使用requests-html这个库
github地址 : 依旧是大神开发的,非常6。

我们拿51cto学院 完整的练个手

from requests_html import htmlsession

base_url = "http://edu.51cto.com/courselist/index.html"
def get_content():
    session = htmlsession()
    r = session.get(base_url)
    print(r.html)

if __name__ == '__main__':
    get_content()

使用上面的代码,就能快速的获取到一个请求的响应了。
继续编写下面几行代码之后,你不得不惊叹,我去~,数据都获取到了!

    print(r.html)
    print(r.html.links)
    print(r.html.absolute_links)   # 获取所有的绝对地址
    print(r.html.find('.clist',first=true))  # 获取class=clist的第一个标签
    c_list = r.html.find('.clist',first=true)
    print(c_list.text)

Python爬虫入门教程 19-100 51CTO学院IT技术课程抓取
当然这些对咱来说还是远远不够的,毕竟我们要把他写入mongodb里面

上面的只是叫你对这个库有一个基本的认知,更多的资料你可以去他的教程网站查阅

4. 分析爬取方式

看一下异步方式,异步的出现可以为我们的爬虫加速

Python爬虫入门教程 19-100 51CTO学院IT技术课程抓取

这个地方有一个你一定要注意的,我写这篇文章的时候,requests-html 是从github下载之后,更新的本次,你如果之前使用pip进行安装,那么异步应该是没有更新上去的。

好了,接下来我们实现一下异步,可能由于作者认为异步目前不是很稳定,所以我查阅了一下他的源码,然后实现了如下代码,写的不好,请见谅~
下面的代码,注意看模块的区别,以及核心的异步函数

async def get_html():
    for i in range(1,3):
        r =  await asession.get(base_url.format(i))   # 异步等待
        get_item(r.html)
if __name__ == '__main__':
    result = asession.run(get_html)
from requests_html import asynchtmlsession   # 导入异步模块

asession = asynchtmlsession()

base_url = "http://edu.51cto.com/courselist/index-p{}.html"

async def get_html():
    for i in range(1,3):
        r =  await asession.get(base_url.format(i))   # 异步等待
        get_item(r.html)

def get_item(html):
    c_list = html.find('.clist',first=true)
    if c_list:
        items = c_list.find('.clist_item')
        for item in items:
            title = item.find("h3",first=true).text # 课程名称
            href = item.find('h3>a',first=true).attrs["href"]  # 课程的链接地址
            class_time = item.find("div.course_infos>p:eq(0)",first=true).text
            study_nums = item.find("div.course_infos>p:eq(1)", first=true).text
            stars = item.find("div.course_infos>div", first=true).text
            course_target = item.find(".main>.course_target", first=true).text
            price = item.find(".main>.course_payinfo h4", first=true).text
            dict = {
                "title":title,
                "href":href,
                "class_time":class_time,
                "study_nums":study_nums,
                "stars":stars,
                "course_target":course_target,
                "price":price
            }
            print(dict)

    else:
        print("数据解析失败")

if __name__ == '__main__':
    result = asession.run(get_html)

代码运行之后,控制台就会输出相应的内容,上述代码中有个地方用到了大量的解析html,这个你搜索一下官方文档就可以看明白,不进行过多的解释。
Python爬虫入门教程 19-100 51CTO学院IT技术课程抓取

5. 写入到mongodb里面

这部分代码就非常非常简单了
结果如下
Python爬虫入门教程 19-100 51CTO学院IT技术课程抓取

实际的爬取过程中,也没有发现反爬虫的一些限制,不过咱毕竟是为了研究一下requests-html的用法,所以只能对51cto网站说一句多有得罪,罪过罪过。


Python爬虫入门教程 19-100 51CTO学院IT技术课程抓取

代码上面除了mongodb部分,基本是完整的,自己拷贝一下使用吧。