python爬取慕课网多页课程信息

Python 2.7.11

---

文章结构

1.流程分析
2.spider爬虫类
3.主函数
4.成果展示

流程分析

---

spider爬虫类

# #-*—coding:utf8-*-
import requests
import re
#下面三行是将windows控制台的编码形式转换成utf-8编码
import sys
reload(sys)
sys.setdefaultencoding("utf-8")

---

# 创建spider爬虫类
class spider(object):
    def __init__(self):
        print u'开始了'
# 获取每个网页的源代码
    def getSource(self,url):

        html = requests.get(url)
        # 将获得的源代码以utf-8的格式解析
        html.encoding='utf-8'
        return html.text

---

# 得到连续的多个课程网页
    def getPages(self,url,total):
        urls=[]
        init_page = int(re.search('page=(\d+)',url,re.S).group(1))
        for i in range(init_page,total+1):
            # 将页数通过正则表达式来替换
            link=re.sub('page=\d+','page=%d'%i,url)
            urls.append(link)
        return urls

---

# 得到每个课程页中的多个课程
    def getCourses(self,html):
        Courses=re.findall(r'<li class="course-one">(.*?)</li>',
                    html,re.S)
        return Courses

---

# 利用正则表达式筛选课程信息
    def getCourseInfo(self,Course):
        info={}
        # r"pattern" 匹配模式的前面加上r,就不必在转义里面的字符
        info['title']=re.search(r'<span>(.*?)</span>',
                        Course,re.S).group(1)
        info['decoration']=
           re.search(r'class="text-ellipsis">(.*?)</p>',
           Course,re.S).group(1)
        # 去除字符串两边和中间的空白字符
        peoples=re.search('<span class="l ml20">
               (.*?)</span>',Course,re.S).group(1).strip()
        info['peoples']=re.sub('\s+',',',peoples)
        return info

---

# 存储课程信息
    def saveAllInfo(self,allInfo):
        f=open("info.txt",'a')
        for each in allInfo:
            f.writelines('title:'+each['title']+'\n')
            f.writelines('decoration:' + each['decoration'] + '\n')
            f.writelines('peoples:' + each['peoples'] + '\n\n')

        f.close()

有些表达式,因为排版只能断开了

---

主函数

if __name__=='__main__':

    allInfo=[]
    spider=spider()
    url = 'http://www.imooc.com/course/list?page=1'
    urls = spider.getPages(url,10)
    for each in urls:
        print u'正在处理%s'%each + '\n'
        content = spider.getSource(each)
        Courses = spider.getCourses(content)
        for Course in Courses:
            info = spider.getCourseInfo(Course)
            allInfo.append(info)
    spider.saveAllInfo(allInfo)

---

效果展示