Python爬虫入门教程 19-100 51CTO学院IT技术课程抓取

2022-02-05 21:54:41

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。

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

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

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。

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 : https://github.com/kennethreitz/requests-html 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)

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

http://html.python-requests.org/

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

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)