a. 使用Python爬取静态网页-斗鱼直播

2018-02-09 python 宅必备

好久没更新Python相关的内容了，这个专题主要说的是Python在爬虫方面的应用，包括爬取和处理部分

第一节我们介绍如何爬取静态网页

静态网页指的是网页的内容不是通过js动态加载出来的

我们可以直接使用一些开发者工具查看

这里我采用谷歌浏览器的开发者工具

开发环境

操作系统:windows 10

Python版本 :3.6

爬取网页模块:requests

分析网页模块:Beautiful Soup 4

pip3 install requests

pip3 install beautifulsoup4

我们使用炉石传说的页面来开始分析

https://www.douyu.com/directory/game/How

我们可以通过左上角的箭头来定位网页内容对应的源

从上面我们可以看出单个直播的信息都在li标签下面，包括:

这里逐行介绍代码

1. import相关的模块

import requests

from bs4 import BeautifulSoup

2. 使用request模块打开并获取网页内容

verify=False 在打开https网页时使用

url='HTTPs://www.douyu.com/directory/game/'+douyugame

r = requests.get(url,verify=False)

content=r.content

3. 使用bs4格式化获取的网页

这时就可以使用bs4的功能来处理网页了

soup = BeautifulSoup(content,"lxml")

4. 获取所有li标签

这里获取所有具有data-cid属性的li标签

live_list=soup.find_all('li',attrs = {'data-cid' : True})

5.循环获取到li标签，然后提取需要的信息

我们这里只提取在线人数大于8000的直播间

game_count=all_game.find('span',attrs = {'class' : 'dy-num fr'}).text

代表查找一个span标签，其class属性值为dy-num fr，然后获取它的内容

game_link='https://www.douyu.com'+all_game['href']

代表获取a标签中href属性的值

剩下的同理

6. 最后将获取到的信息放入字典中

这时我们可以将结果存入数据库中供查看，这里就不多说了

源码请访问我的github主页