1.明确爬虫目的
爬虫目的需要我们明确的，没有目的的爬虫都是耍流氓！像我这次爬虫目的能不能从网页上爬下来。
2.怎么来爬？
a. 先要找到具有唯一性的标签
<li class="game-live-item" gid="1"> <a href="http://www.huya.com/baozha" class="video-info new-clickstat " target="_blank" report="{"eid":"click/position","position":"lol/0/1/1","game_id":"1","ayyuid":"17363578"}"> <img class="pic" data-original="//screenshot.msstatic.com/yysnapshot/1801cfa4fc99aabc841eb9e25fa43f15a608b02d1055?imageview/4/0/w/338/h/190/blur/1" src="//screenshot.msstatic.com/yysnapshot/1801cfa4fc99aabc841eb9e25fa43f15a608b02d1055?imageview/4/0/w/338/h/190/blur/1/format/webp" onerror="this.onerror=null; this.src='//a.msstatic.com/huya/main/assets/img/default/338x190.jpg';" alt="炸姐ADC的直播" title="炸姐ADC的直播"> <em class="tag tag-recommend">大神推荐</em> <div class="item-mask"></div> <i class="btn-link__hover_i"></i> <p class="tag-right"> <!-- 蓝光 --> <!-- 热舞 --> <!-- 存活人数 --> </p> </a> <a href="http://www.huya.com/baozha" class="title new-clickstat" report="{"eid":"click/position","position":"lol/0/1/1","game_id":"1","ayyuid":"17363578"}" title="S8定位赛开始了11-0 裁决已解决" target="_blank">S8定位赛开始了11-0 裁决已解决</a> <span class="txt"> <span class="avatar fl"> <img data-original="//huyaimg.msstatic.com/avatar/1095/83/2aa2f6905fe4382221d08b66d7cdcb_180_135.jpg" src="//huyaimg.msstatic.com/avatar/1095/83/2aa2f6905fe4382221d08b66d7cdcb_180_135.jpg" onerror="this.onerror=null; this.src='//a.msstatic.com/huya/main/assets/img/default/84x84.jpg';" alt="炸姐ADC" title="炸姐ADC"> <i class="nick" title="炸姐ADC">炸姐ADC</i> </span> <span class="num"><i class="num-icon"></i><i class="js-num">67.0万</i></span> </span> </li>
开始的时候我选取的是<span class="txt"></span>，虽然这个标签中涵盖了我们需要的主播名字和主播的粉丝量，但是，如果我们用正则表达式提取的时候，如果使用贪婪模式的时候，提取的信息就比上面多太多了，如果用非贪婪模式的时候，
提取的内容也就只有下面这些：
<span class="txt"> <span class="avatar fl"> <img data-original="//huyaimg.msstatic.com/avatar/1095/83/2aa2f6905fe4382221d08b66d7cdcb_180_135.jpg" src="//huyaimg.msstatic.com/avatar/1095/83/2aa2f6905fe4382221d08b66d7cdcb_180_135.jpg" onerror="this.onerror=null; this.src='//a.msstatic.com/huya/main/assets/img/default/84x84.jpg';" alt="炸姐ADC" title="炸姐ADC"> <i class="nick" title="炸姐ADC">炸姐ADC</i> </span>
缺失了主播的粉丝数，那么选取的标签就是不合理的。
如果我们选择<li class="game-live-item" gid="1"></li>这个标签的时候就不会出现问题的。
b. 尽量选取匹配的信息
假想一下，如果我们只是获得主播名字，然后再获取主播粉丝，那么信息就对不上了，所以我们要选取匹配的信息。选取下面的就很合理。
<li class="game-live-item" gid="1"> <a href="http://www.huya.com/baozha" class="video-info new-clickstat " target="_blank" report="{"eid":"click/position","position":"lol/0/1/1","game_id":"1","ayyuid":"17363578"}"> <img class="pic" data-original="//screenshot.msstatic.com/yysnapshot/1801cfa4fc99aabc841eb9e25fa43f15a608b02d1055?imageview/4/0/w/338/h/190/blur/1" src="//screenshot.msstatic.com/yysnapshot/1801cfa4fc99aabc841eb9e25fa43f15a608b02d1055?imageview/4/0/w/338/h/190/blur/1/format/webp" onerror="this.onerror=null; this.src='//a.msstatic.com/huya/main/assets/img/default/338x190.jpg';" alt="炸姐ADC的直播" title="炸姐ADC的直播"> <em class="tag tag-recommend">大神推荐</em> <div class="item-mask"></div> <i class="btn-link__hover_i"></i> <p class="tag-right"> <!-- 蓝光 --> <!-- 热舞 --> <!-- 存活人数 --> </p> </a> <a href="http://www.huya.com/baozha" class="title new-clickstat" report="{"eid":"click/position","position":"lol/0/1/1","game_id":"1","ayyuid":"17363578"}" title="S8定位赛开始了11-0 裁决已解决" target="_blank">S8定位赛开始了11-0 裁决已解决</a> <span class="txt"> <span class="avatar fl"> <img data-original="//huyaimg.msstatic.com/avatar/1095/83/2aa2f6905fe4382221d08b66d7cdcb_180_135.jpg" src="//huyaimg.msstatic.com/avatar/1095/83/2aa2f6905fe4382221d08b66d7cdcb_180_135.jpg" onerror="this.onerror=null; this.src='//a.msstatic.com/huya/main/assets/img/default/84x84.jpg';" alt="炸姐ADC" title="炸姐ADC"> <i class="nick" title="炸姐ADC">炸姐ADC</i> </span> <span class="num"><i class="num-icon"></i><i class="js-num">67.0万</i></span> </span> </li>
c. 尽量选取他们的父级标签
3. 简单点的爬虫思路
a. 模拟HTTP请求，向服务器发送这个请求，获取到服务器返回给我们的HTML
b.用正则表达式获取我们想要的数据
4.开始爬
附上源码（每个函数都解释的很清楚）：
from urllib import request import re class Spider(): url = 'http://www.huya.com/g/lol' root_pattern = '<li class="game-live-item" gid="1">([wW]*?)</li>' one_pattern = '<i class="nick" title="[sS]*?</i>' two_pattern = '<i class="js-num">([sS]*?)</i>' one_pattern_name = '>([sS]*?)</i>' #模拟HTTP请求(私有方法) def __fetch_content(self): r = request.urlopen(Spider.url) htmls=r.read() #如果不转成str的格式的话，就会造成机器卡顿 htmls= str(htmls,encoding='utf-8') return htmls #数据分析 def __analynize(self,htmls): rs = re.findall(Spider.root_pattern,htmls) star_lists = [] for r in rs: rz = re.findall(Spider.one_pattern,r) #粉丝数 follwers = re.findall(Spider.two_pattern,r) #主播名字 name = re.findall(Spider.one_pattern_name,str(rz)) #Spider.result[str(rzz[0])]=str(rx[0]) star_list = {'name':name,'follwers':follwers} star_lists.append(star_list) return star_lists #数据精炼(提高数据的可靠性) def __refine(self,star_lists): func = lambda star_list:{ 'name':star_list['name'][0], 'follwers':star_list['follwers'][0] } return map(func,star_lists) #业务处理（这里以排序代替） def __sort(self,star_end_lists): star_end_lists = sorted(star_end_lists,key=self.__key_access,reverse=True) return star_end_lists #key的排序规则 def __key_access(self,star_end_list): num = re.findall('d*',star_end_list['follwers']) num = float(num[0]) if '万' in star_end_list['follwers']: num=num*10000 return num #数据的后续处理（可以存入数据库） def __show(self,star_end_lists_sorted): print('------虎牙LOL主播粉丝的排行榜------') for i in range(1,len(star_end_lists_sorted)): print('排名：'+str(i)+' '+star_end_lists_sorted[i-1]['name']+' '+star_end_lists_sorted[i-1]['follwers']) #爬虫入口 def go(self): r1 = self.__fetch_content() star_lists = self.__analynize(r1) star_end_lists = self.__refine(star_lists) star_end_lists_sorted = self.__sort(list(star_end_lists)) self.__show(star_end_lists_sorted) spider = Spider() spider.go()
运行结果：
------虎牙LOL主播粉丝的排行榜------ 排名：1 卡尔 71.9万 排名：2 毒纪 36.1万 排名：3 LCK冠军联赛 17.7万 排名：4 LPL职业联赛 16.0万 排名：5 MH、金灿毅ChanE 12.6万 排名：6 聆听-旋律 9.5万 排名：7 董月月 8.2万 排名：8 完美OB 7.9万 排名：9 芜湖神 6.3万 排名：10 叶子yasuo 5.2万 排名：11 第一吸血鬼屿水 3.5万 排名：12 灭世冷漠 3.3万 排名：13 最快锐雯风神 3.4万 排名：14 娇宝的老公李青强 2.2万 排名：15 纪小鹿 2.1万 排名：16 菜鸡文 1.9万 排名：17 八神 1.4万 排名：18 幼灵梦 1.5万 排名：19 虎牙丶柯南 1.0万 排名：20 小僧空空 9972 排名：21 潘神丶 9392 排名：22 开森的小唯美 8888 排名：23 阿俊z 8712 排名：24 90818丶追梦 8678 排名：25 铸哥 8010 排名：26 二A 7915 排名：27 烟雨丶青蛙瑞兹 7824 排名：28 吐司 6774 排名：29 正恒丶小白 6635 排名：30 844-暮笙小爷 5972 排名：31 国服第一赵信小雨 5655 排名：32 雨雾-小杰人马 5564 排名：33 正恒丶兔子 5479 排名：34 先锋丶婉清 5417 排名：35 可乐剑姬 5379 排名：36 节奏 4985 排名：37 腾嘉-熊大 4959 排名：38 正恒丶小鱼 4923 排名：39 844-雯雯 4779 排名：40 雨雾-阿龙赵信 4416 排名：41 娱加-萌小希 4373 排名：42 虎丶牙莎莉 4020 排名：43 十年锐雯 4013 排名：44 正恒丶伊芙神 3999 排名：45 亚古兽 3972 排名：46 虎牙东方梦魇 3888 排名：47 猴王一心 3806 排名：48 谁明浪子心 3694 排名：49 浩东德莱文 3539 排名：50 正恒丶芒果 3350 排名：51 兆辉-风度人影剑度天 3347 排名：52 耀弟-最强武器 3120 排名：53 觅寻哟 3049 排名：54 天亿-Aarou 2916 排名：55 先锋GJ丶空城男刀 2812 排名：56 爱拍-阿浩 2682 排名：57 Autism 2672 排名：58 叶包包丶 2571 排名：59 固执 2529 排名：60 Huya丶薄荷 2505 排名：61 阿明 2490 排名：62 兆辉-瑶神皎月 2475 排名：63 何遇是个帅卡特i 2472 排名：64 悦儿 2416 排名：65 5斧德莱文丶秒杀 2211 排名：66 正恒丶小雪 2197 排名：67 会好的 2151 排名：68 飘逸 2147 排名：69 娱加-U妮 2144 排名：70 铭人丶千姿 2038 排名：71 虎牙直播-蔸 1992 排名：72 无心瑞兹 1979 排名：73 逍遥 1954 排名：74 悟道沙皇 1934 排名：75 光锡兰博 1918 排名：76 开开皇子 1874 排名：77 正恒丶小贼 1782 排名：78 泽佳琴女 1713 排名：79 娱加-杨思涵 1712 排名：80 武神诺手丶强者灌篮 1654 排名：81 烟雨丶陈年剑圣 1646 排名：82 娱加-辣么萌 1642 排名：83 LCK备用1 1595 排名：84 聆听-鑫哥卡萨丁 1582 排名：85 雨雾-火鸡兰博 1571 排名：86 老唐家糯米饭 1570 排名：87 正恒丶逗比空 1552 排名：88 拔哥丶卡特 1540 排名：89 菲菲 1532 排名：90 辗转辗转辗转 1517 排名：91 虎牙鱼王-洛水尘 1505 排名：92 国服第一卡特 1495 排名：93 极限哥 1477 排名：94 Huya丶风男 1431 排名：95 王吉吉先生 1424 排名：96 小风手速亚索 1402 排名：97 魔魅大少 1401 排名：98 LCK备用2 1396 排名：99 虎牙嗨少 1371 排名：100 北北 1365 排名：101 坑货的提莫 1346 排名：102 正恒丶烧肉粽 1320 排名：103 甲第-乔仪 1298 排名：104 提百万 1297 排名：105 十四剑姬 1277 排名：106 正恒丶啤梨 1241 排名：107 我是钟钟 1166 排名：108 天天天 1121 排名：109 RiotGame1 1109 排名：110 兆辉-章鱼哥 1090 排名：111 河蟹i 1090 排名：112 京酱Rose 1063 排名：113 零一c 1063 排名：114 冷三指 1059 排名：115 喵喵 1058 排名：116 腾嘉-陈小艾 1026 排名：117 虎牙野区剑圣皓児 1006 排名：118 小姚姚 1001 排名：119 虎牙丶Hope 991
声明：以上数据是时间在2018.1.18.13：53统计的
5.爬虫有什么用
存到数据库中，就可以自己做小程序，或者其他的了。
转载请注明出处，谢谢！