Python爬虫入门教程 20-100 慕课网免费课程抓取

写在前面

美好的一天又开始了,今天咱继续爬取IT在线教育类网站,慕课网,这个平台的数据量并不是很多,所以爬取起来还是比较简单的

Python爬虫入门教程 20-100 慕课网免费课程抓取

准备爬取

打开我们要爬取的页面,寻找分页点和查看是否是异步加载的数据。

Python爬虫入门教程 20-100 慕课网免费课程抓取

进行了一些相应的分析,发现并没有异步数据,只需要模拟翻页就,在进行HTML的解析就可以获取数据了,

翻页数据如下,合计32页,在数据量上属于非常小的了。

https://www.imooc.com/course/list?page=1
https://www.imooc.com/course/list?page=2
.... https://www.imooc.com/course/list?page=32

编写代码

代码分为自动拼接URL,解析HTML,存储到mongodb三个部分组成

page = 1

def main(page):
print(f"正在爬取{page}页数据")
try:
with requests.Session() as s:
res = s.get("https://www.imooc.com/course/list?page={}".format(page))
d = pq(res.text)
get_content(d) # 详细的函数内容在下面
except Exception as e:
print(e)
finally:
page+=1
main(page) # 页码+1,再次调用main函数 if __name__ == '__main__':
main(1)

上述代码的功能主要用于翻页,如果你想要获取到详细的数据,需要对网页源码进行解析。解析库使用的是pyquery一款跟jquery使用方法差不多的python库,当然相应的资料只要搜索一下,就会显示非常多的入门教程。

def get_content(d):
courses = d.items(".course-card-container") for course in courses:
title = course.find(".course-card-name").text() # 查找title
des = course.find(".course-card-desc").text()
level = course.find(".course-card-info>span:eq(0)").text()
users = course.find(".course-card-info>span:eq(1)").text()
labels = course.find(".course-label").text().split(" ")
url = urljoin("https://www.imooc.com/learn/", course.find("a").attr("href")) # url拼接
img_url = urljoin("https://img3.mukewang.com/", course.find("img").attr("src")) # url拼接
dict = {
"title":title,
"des":des,
"level":level,
"users":users,
"labels":labels,
"url":url,
"img_url":img_url
}
save_mongodb(dict) # 保存到mongodb

最后一步保存到mongodb是基本操作了,翻看一下以前的教程就可以了,自行完成吧。

Python爬虫入门教程 20-100 慕课网免费课程抓取

又一个在线教育平台被我们爬了... ...

Python爬虫入门教程 20-100 慕课网免费课程抓取
上一篇:iOS 利用不等的constraint实现布局间隔调整


下一篇:minigui杂项