python个人学习笔记

508490571

楼主0技术基础，软件只会txt。学python主为兴趣爬虫。开此贴为学习笔记整理，所有操作基于windows，望大大们多多指导.在我个人博客www.zhuyuntong.com也有发表
首先，感谢Crossin先生，先生从最基本的如何cd 开始孜孜不倦，给了我很大帮助，要不我估计都坚持不到现在，开此学习贴的想法也是得助于先生的建议。
最后用从先生那里学习到的两句话开始这个帖子吧，一是“功不唐捐”；二是“talk is cheap, show me the code” 共勉~

---

学习阶段一(update:2014-3-24)：
实现功能：读取豆瓣电影爱情标签中的电影名字，电影别名，评分，评价人数，并保存到本地txt中
代码如下：

1. # -*- coding: cp936 -*-
   
2. import urllib2
   
3. import re
   
4. text=urllib2.urlopen('http://movie.douban.com/tag/%E7%88%B1%E6%83%85').read()#打开爱情标签
   
5. text1=re.findall(
   
6.     r'''"">
   
7.                         .*?
   
8.                         / <span style="font-size:12px;">.*?</s|"rating_nums">.*?</span>|"pl">.*?</span>''',text)#正则查找出相对应字符串，list形式
   
9. text2=''.join(text1)#list无法直接replace，需先转为str模式
   
10. text3=text2.replace(
    
11.     '<span style="font-size:12px;">','').replace(
    
12.         '</s"rating_nums">','').replace(
    
13.             '</span>"pl">','').replace(
    
14.             '</span>"">','').replace(
    
15.                 '</span>','').replace(
    
16.                     '"">','').replace(
    
17.                        '\n                        /',':').replace('                        ','')#把多余字符替换掉
    
18. w=file('raw_douban_movie.txt','w')
    
19. print text3
    
20. w.write(text3)
    
21. w.close()
    

复制代码

运行结果如下：

学习总结：1、最开始没有用 join转化为str 直接replace，收到报错数据类型后，直接强行str(text1),结果无法replace只能执行首行。
2、replace用的不忍直视，无奈，只会这一招。先生说先实现功能，再想后期优化 ：）
原因解析：findall执行的结果是list，replace执行于str类型，得用join转化。

---

---

学习阶段二(update:2014-3-25)：
实现功能：代码中加入for循环，批量抓取全部tag，存放到本地txt
代码如下：

1. # -*- coding: cp936 -*-
   
2. import urllib2
   
3. import re
   
4. raw_text=urllib2.urlopen('http://movie.douban.com/tag/?view=type').read()
   
5. text0=re.findall('"./.*?"',raw_text)#初步抓取tag，findall输出为list
   
6. text1=''.join(text0)#list转str，方便replace
   
7. text2=text1.replace('"./','').replace('"','\n')#tag提取完成
   
8. text3=[]#新建空list，方便后面append
   
9. for text4 in text2.split('\n'):#for in对象需为list，用split将str转为list
   
10.     tagurl='http://movie.douban.com/tag/%s'%text4#讲URL前缀同tag拼接，方便后期多tag抓取
    
11.     text3.append(tagurl)#循环赋值到空列表
    
12. 
    
13. text5='\n'.join(text3)#排版格式，\n换行符
    
14. e=file('douban_movie6.txt','w')
    
15. e.write(text5)
    
16. e.close()
    

复制代码

运行结果：

学习总结：1、多用print，不仅可以帮助自己更好的排查错误，也可以更好的理解程序的运行逻辑。
2、多用print type()。现阶段对每种函数生成结果的存储类型还不熟悉，根据想当然的思路写通常会报错，都是数据类型不支持。
3、初步明白for in的用法，对% 用法进一步了解
4、list.append() 进一步了解。接触一种函数不仅要明白怎么用，还得留意函数输出后的数据类型

---

学习阶段三(update：2014-3-25)：
实现功能：抓取所有tag的第一页电影的链接，名字，别名，评分，评价人数。保存到本地txt
代码如下：

1. # -*- coding: cp936 -*-
   
2. import urllib2
   
3. import re
   
4. import time
   
5. starttime=time.time()
   
6. raw_text=urllib2.urlopen('http://movie.douban.com/tag/?view=type').read()
   
7. text0=re.findall('"./.*?"',raw_text)#初步抓取tag，findall输出为list
   
8. text1=''.join(text0)#list转str，方便replace
   
9. text2=text1.replace('"./','').replace('"','\n')#tag提取完成
   
10. text3=[]#新建空list，方便后面append
    
11. for text4 in text2.split('\n'):#for in对象需为list，用split将str转为list
    
12.     tagurl='http://movie.douban.com/tag/%s'%text4#讲URL前缀同tag拼接，方便后期多tag抓取
    
13.     text3.append(tagurl)#循环赋值到空列表
    
14. del text3[-1]#最后一行为空tag，不知道生成原因。手动删除。
    
15. text8=[]#新建空list，存储for执行结果
    
16. for text5 in text3:
    
17.     raw_tagurl=urllib2.urlopen(text5).read()#打开所有tag页面
    
18.     tagurl_text=re.findall('''http://movie.douban.com/subject/\d{1,}/"  class="">
    
19.                         .*?
    
20.                         / <span style="font-size:12px;">.*?</span>|<span class="rating_nums">.*?</span>
    
21. 
    
22.                            
    
23.                             <span class="pl">.*?</span>''',raw_tagurl)#初步提取电影信息
    
24.     text6=''.join(tagurl_text)
    
25.     text7=text6.replace('''</span>
    
26. 
    
27.                            
    
28.                             <span class="pl">''','\t').replace('''"  class="">
    
29.                         ''','\t').replace('</span>','\n').replace('''
    
30.                         / <span style="font-size:12px;">''','\t/').replace('\n<span class="rating_nums">','\t')#剔除不需要的信息
    
31.     text8.append(text7)#将for结果赋值到空list
    
32.     text9=''.join(text8)#转str  write要求
    
33. e=file('douban_movie7.txt','w')
    
34. e.write(text9)
    
35. endtime=time.time()
    
36. print '用时%ss'%(starttime-endtime)
    
37. e.close()
    

复制代码

运行结果：

用时-75.5190000534s
学习总结：1、初步接触time，从@jxgx072037的豆瓣代码中看到就拿来用了。2、代码还是很初级，只能抓取所有标签的第一页，用时75s，耗时应该有点长。
还需实现的功能：抓取每个标签下的多页电影信息，去重，排序。

---

学习阶段四（update:2014-3-26）:
实现功能：整理单个tag下的所有页面链接
代码如下：

1. # -*- coding: cp936 -*-
   
2. import urllib2
   
3. import re
   
4. raw_text=urllib2.urlopen('http://movie.douban.com/tag/cult').read()#指定打开cult标签页
   
5. text0=re.findall('page="\d{1,}"',raw_text)#初步提取总页面数，人工查看代码后发现page="\d{1,}表示总页面
   
6. text1=''.join(text0)
   
7. text2=text1.replace('page=','').replace('"','')#得出总页面的具体值
   
8. text5=[]
   
9. for text3 in range(int(text2)):#range生成页面数列表，循环读取
   
10.     text4='http://movie.douban.com/tag/cult?start=%d&type=T'%(text3*20)+'\n'#人工发现url规律为页面数*20, 最后\n为排版需要
    
11.     text5.append(text4)
    
12. text6=''.join(text5)
    
13. e=file('douban_movie8.txt','w')
    
14. e.write(text6)
    
15. e.close()
    

复制代码

运行结果：

学习总结：range(int(text2))和%(text3*20)可减少代码行数

---

PS：本想再继续添加，字数限制，后期学习笔记就放到回复里了

508490571

crossin先生 发表于 2014-3-28 15:08
多线程就好比你去麦当劳买汉堡，他开好几个柜台，同时接待消费者，速度自然比传统的饭店只有一个收银台要 ...

哦  好像有点理解了，那我只盯一个站爬，好像也用不上。
现在的想法是把def class运用到程序中，用class让爬到的数据存储形式更利于分析吧。

crossin先生

508490571 发表于 2014-3-28 13:57
哦
其实我都不明白多线程是什么意思。就是在网上资料看到有说多线程会增加速度什么的。就觉得需要熟悉下~ ...

多线程就好比你去麦当劳买汉堡，他开好几个柜台，同时接待消费者，速度自然比传统的饭店只有一个收银台要快。
但在做爬虫时，你面对的店家是对方网站，然后你开了好几个门，同时往他店里涌入穿着同样衣服的客人，速度过快了，对方很可能认为你是来踢场子的，拒绝接待。

crossin先生

508490571 发表于 2014-3-28 13:57
哦
其实我都不明白多线程是什么意思。就是在网上资料看到有说多线程会增加速度什么的。就觉得需要熟悉下~ ...

多线程就好比你去麦当劳买汉堡，他开好几个柜台，同时接待消费者，速度自然比传统的饭店只有一个收银台要快。
但在做爬虫时，你面对的店家是对方网站，然后你开了好几个门，同时往他店里涌入穿着同样衣服的客人，速度过快了，对方很可能认为你是来踢场子的，拒绝接待。

508490571

crossin先生 发表于 2014-3-28 11:43
其实你盯着一个站抓，多线程反而可能会增加请求失败的可能

哦
其实我都不明白多线程是什么意思。就是在网上资料看到有说多线程会增加速度什么的。就觉得需要熟悉下~

crossin先生

508490571 发表于 2014-3-28 01:10
学习阶段五(update:2013-3-28 0:38):
实现功能：为减少工作量，仅抓取所有tag页下前3页电影信息，不足3页， ...

其实你盯着一个站抓，多线程反而可能会增加请求失败的可能

508490571

学习阶段五(update:2013-3-28 0:38):
实现功能：为减少工作量，仅抓取所有tag页下前3页电影信息，不足3页，则全部抓取。
代码如下：

1. # -*- coding: cp936 -*-
   
2. import urllib2
   
3. import re
   
4. import time
   
5. starttime=time.time()
   
6. raw_text=urllib2.urlopen('http://movie.douban.com/tag/?view=type').read()
   
7. text0=re.findall('"./.*?"',raw_text)#初步抓取tag，findall输出为list
   
8. text1=''.join(text0)#list转str，方便replace
   
9. text2=text1.replace('"./','').replace('"','\n')#tag提取完成
   
10. a=file('douban_movie9.txt','w')
    
11. a.write(text2)#分阶段保存，方便分阶段排除问题
    
12. text3=[]
    
13. a=file('douban_movie9.txt','r')
    
14. for text4 in text2.split('\n'):
    
15.     tagurl=urllib2.urlopen('http://movie.douban.com/tag/%s'%text4).read()
    
16.     raw_tagurl_page=re.findall('page="\d{1,}"',tagurl)
    
17.     tagurl_=''.join(raw_tagurl_page)
    
18.     tagurl_page=tagurl_.replace('page=','').replace('"','') #仅一页的tag无提前信息，会是空值  
    
19.     if tagurl_page!='':#用if为非空值tag指定总页数
    
20.         tagurl_page=int(tagurl_page)#str转为int，为下步判断值做准备
    
21.         if tagurl_page>3:#多于3页的，只抓取3页
    
22.             tagurl_page=3
    
23.         if tagurl_page<4:#少于等于3页的，全部抓取
    
24.             tagurl_page=tagurl_page        
    
25.     else:#空值tag定义为一页
    
26.         tagurl_page=1
    
27. 
    
28.     for i in range(tagurl_page):
    
29.         tag_url='http://movie.douban.com/tag/%s'%text4+'?start=%d&type=T'%(i*20)+'\n'
    
30.         #print tag_url
    
31.         text3.append(tag_url)
    
32. #del text3[-1]
    
33. textt=''.join(text3)
    
34. b=file('douban_movie10.txt','w')
    
35. b.write(textt)
    
36. b=file('douban_movie10.txt','r')
    
37. a.close()
    
38. 
    
39. f=file('douban_movie10.txt','r').read().strip()#strip很关键，之前没有弄，总提示ValueError: unknown url type: 。
    
40. n=0
    
41. text8=[]#新建空list，方便后面append
    
42. for text12 in f.split('\n'):#for in对象需为list，用split将str转为list
    
43.     n=n+1
    
44.     print n#查看进度 也方便排除问题
    
45.     #if text12==' ':#之前为解决ValueError: unknown url type: 特意加的，没有效果。问题应该用strip解决
    
46.         #continue
    
47.     raw_tagurl_text=urllib2.urlopen(text12).read()#循环打开URL读取
    
48.     tagurl_text=re.findall('''http://movie.douban.com/subject/\d{1,}/"  class="">
    
49.                         .*?
    
50.                         / <span style="font-size:12px;">.*?</span>|<span class="rating_nums">.*?</span>
    
51. 
    
52.                            
    
53.                             <span class="pl">.*?</span>''',raw_tagurl_text)#初步提取电影信息
    
54.     text6=''.join(tagurl_text)
    
55.     text7=text6.replace('''</span>
    
56. 
    
57.                            
    
58.                             <span class="pl">''','\t').replace('''"  class="">
    
59.                         ''','\t').replace('</span>','\n').replace('''
    
60.                         / <span style="font-size:12px;">''','\t/').replace('\n<span class="rating_nums">','\t')#剔除不需要的信息
    
61.     print text7
    
62.     text8.append(text7)#将for结果赋值到空list
    
63.     text9=''.join(text8)#转str  write要求
    
64. e=file('douban_movie11.txt','w')
    
65. e.write(text9)
    
66. endtime=time.time()
    
67. print '用时%ss'%(starttime-endtime)
    
68. b.close()
    
69. e.close()
    

复制代码

运行结果：

学习总结：1、共有tag130+，取前三页，每页最多20条信息。总共下来约有130*3*20，不到8000.用时-302.459000111s 算是取得阶段性的成果
2、爬虫很糙，只有最简单的逻辑。抓下来的数据不方便存储，不方便进行下一步分析及html编辑。只用到for函数和%。
3、初步了解python爬虫逻辑，初级问题多可以自行解决。接下来需要加强class def 多线程 代理等方面的学习，爬虫智能化

crossin先生

来支持一下。期待不断更新