豆瓣怎么发自己的主页链接(新版豆瓣主页链接怎么复制)

记录一下爬取豆瓣热门专栏的经过，通过这篇文章，你能学会requests，HTMLParser，json的基本使用，以及爬取网页内容的基本思路。

使用模块

1，获取豆瓣首页代码：首先我们需要访问豆瓣页面，获取首页的源码。这里推荐使用第三方库：requests，相比python内置的 urllib 模块，requests使用起来更简单，功能更全面

2，对获取的代码进行解析：对于解析html代码，已经有很多功能强大的框架能使用，如Scrapy，PySpider，Beautiful Soup等，这里我们只是学习下爬虫的基本使用，所以内建的 HTMLParser 足够使用了

3，对获取的数据进行处理： json

思路分析

既然我们需要的只是热门专栏模块的数据，那么我们需要一个标志来告诉我们：下面的代码就是专栏模块了，准备获取数据。同样我们需要知道当前

读取的是图片、标题还是栏目类别，以此将数据储存到相应的字段中。总的来说，我们最起码应该通过代码来实现以下几点：

1，获取网页源码

2，通过自定义方法解析html

3，通过标志位判断当前数据是否是我们需要的数据

4，通过分析代码结构决定将要储存的数据结构

5，将数据按照特定格式进行本地储存

豆瓣官网：https://www.douban.com/，分析一下我们需要爬取模块的代码：

可以看到，我们需要爬取的数据都在 ul.time-list 这个代码块里，那么我们的标志位就是：当开始标签为 ul并且具有类名 time-list时，我们就要获取数据了，当结束标签为 ul 时，停止解析，继续分析代码结构，每个 li 里面包含了对应数据里面的 详情页跳转链接，图片地址，标题以及专栏类别，那么我们的数据结构到这里也就很清楚了：一个 li 块对应一条数据，每条数据由四个字段组成：

详情页跳转链接 href --> 这里我们考虑了一下， 还是通过第二个a标签来获取，它具有统一的类名title，同时我们还能获取 标题title，

图片地址 imgUrl --> 通过每个li代码块里面唯一img标签的src属性可以轻松获取，

标题 title --> 通过 a.title获取，

专栏类别 type --> 唯一的 span 标签获取

tip：像上面我们选取数据的标志位一样，img的alt可以获取标题，a标签的文本也可以获取标题，两个a标签都能获取跳转链接不管是爬虫还是平时其他的开发，我们经常会遇到，同一个需求有多种方法实现，这时候我们就需要思考一下哪一种方法更简洁，冷静分析后的编码不一定最优秀，但自己肯定印象深刻（说远了，回归正题）。

编码实现

通过上面的准备工作，我们已经确定了需要引入的模块，解析事件触发标志位，需要获取的数据，储存的数据结构，可以正式开始编码了:

requests是第三方库，需要另外安装，其他的是内置模块，直接引入即可:

获取豆瓣首页源码：

是的，通过 requests获取网页只需要一行代码，timeout为获取页面超时时间，通过 r.text 就是我们需要的html源码，r.encoding可以获取网页编码格式，当然requests还有其他的方法供我们使用，

如 带参数的url: r = requests.get(url, params={.....})，获取数据等

解析豆瓣首页源码：

HTMLParser 里已经封装好了针对html的各种事件处理，如 开始标签，结束标签，标签属性，标签文本，注释，特殊字符，不了解的可以看下这个：

https://www.liaoxuefeng.com/wiki/1016959663602400/1017784593019776，很简单很清晰

代码说明：我们必须知道在解析过程中，实例方法是按照源码顺序循环执行的，也就是说在同一个实例方法里，我们可以针对不同的标签或其他条件来进行不同的操作。我们所有的解析操作都是针对 ul.time-list 代码块的，所以我们需要一个开关，当前代码是 ul.time-list时才执行我们自定义的解析操作，这个开关就是上面代码里的 _allowRun，当开始标签是 ul.time-list的是否为 True，当结束标签是 ul 的是否为False，而只有当 _allowRun 为 True的时候，我们才继续解析当前的标签是 a 还是 img 或者 span。由于我们要在 文本解析事件 handle_data 中获取 a 标签的文本 作为字段 title 的值，span标签的文本作为字段 type 的值，所以我们需要一个标志位变量来供我们在执行 handle_data 的时候判断当前解析的文本是属于 a 还是 span，这个标志位变量就是上面代码中 tagType，在 handle_starttag 中赋值，在 handle_endtag 中清空。我们将每一条数据储存在 listItem 中，当结束标签为 li 时，说明我们的对一个 li 代码块解析完毕，listItem 储存了我们需要的单挑数据，将 listItem 添加到 hotList中并清空 listItem 。执行上面代码，我们已经将数据储存在实例属性 hotList里面，我们可以在终端输出 parser.hotList:

储存数据

接下来就是将数据储存到本地文件中，而写入数据也是非常简单：

在当前目录里打开 hotList.json 文件，可以看到如下数据：

数据倒是写入了，但是中文却没有如愿显示，而且对于追求美观的我们来说也无法接受，所以我们需要指定写入编码格式，以及格式化：

我们在写入的时候指定编码格式为 utf-8: encoding="utf-8"，在 json.dump写入数据时增加了两个参数：ensure_ascii = False 禁止进行 ascii转码， indent = 4：按缩进为 4个单位格式化数据，当然我们还可以将字段进行排序，只需要加上字段：sort_keys = True,按需选择即可，再打开 hotList.json 文件查看：

这样就只有两个字：嘘服。

总结

这个例子只是用来熟悉爬虫基本操作和思维逻辑，真正用到项目中还是得结合其他框架，如 Beautiful Soup，就可以获取指定代码片段进行解析而不需要像我们上面那样设置 开关或标志位。有兴趣的朋友可以自己动手试试。

本文链接：https://www.24zzc.com/news/169510773336674.html