Python爬虫之获取虎扑网球员得分数据

1、前言

  目前我的爬虫系列更新到了正则表达式，我们就可以用请求库+正则表达式爬取一些简单的页面了。因为我个人非常喜欢打篮球，所以就选取了虎扑网作为爬取对象。当然，这只是一个入门级案例，后面会再写一篇使用解析库的方式爬取虎扑网数据。

2、网站分析

  想要爬取一个网站的数据，就一定要分析该网站的网页源代码。此时，通过浏览器登录虎扑网，点开NBA得分榜，完整网址为：虎扑网NBA得分榜。
  目前得分榜第一位是马赛克队后卫，整个得分榜共有5页，237名球员。

  通过点击第二页，第三页可以分析得知网址的构成为：https://nba.hupu.com/stats/players/pts/2、https://nba.hupu.com/stats/players/pts/3，变化的只有最后的页数，所以可以通过字符串拼接构造网址。然后点击f12查看源代码，发现球员数据均在一个类名为players_table的表格中，球员数据都在每一个tr中，但是由于第一行是行头，不需要爬进去，所以要注意把这一行排出去。

3、代码编写

首先，定义一个获取HTML的方法

def getHtml(pageNum):
    '''
    传入参数页数，获得该链接的HTML内容
    :param pageNum: 页数
    :return: HTML内容
    '''
    url = "https://nba.hupu.com/stats/players/pts/" + str(pageNum)
    response = requests.get(url=url)
    if response.status_code == 200:
        return response.text
    else:
        return None

其次，定义正则表达式，使用re库的findall()获取所有符合正则表达式的内容

def getData():
    pointList = []  # 定义一个列表存储数据
    regExp = '.*?(.*?).*?(.*?).*?"bg_b">(.*?)<.*?'# 定义一个正则表达式，获取球员名称，球队和得分数据
    for i in range(1,6):
        html = getHtml(i)
        # print(html)
        results = re.findall(regExp,html,re.S)
        for result in results:
            pointList.append(result)
    return pointList

输出结果为：

4、完整代码

import re
import requests

def getHtml(pageNum):
    '''
    传入参数页数，获得该链接的HTML内容
    :param pageNum: 页数
    :return: HTML内容
    '''
    url = "https://nba.hupu.com/stats/players/pts/" + str(pageNum)
    response = requests.get(url=url)
    if response.status_code == 200:
        return response.text
    else:
        return None

def getData():
    pointList = []  # 定义一个列表存储数据
    regExp = '.*?(.*?).*?(.*?).*?"bg_b">(.*?)<.*?'# 定义一个正则表达式，获取球员名称，球队和得分数据
    for i in range(1,6):
        html = getHtml(i)
        # print(html)
        results = re.findall(regExp,html,re.S)
        for result in results:
            pointList.append(result)
    return pointList

if __name__ == '__main__':
    pointList = getData()
    for list in pointList:
        print(list)

有错误的地方敬请指出！觉得写得可以的话麻烦给个赞！欢迎大家评论区或者私信交流！