<代码> #=utf - 8编码
进口urllib2
进口再保险
进口xlwt
进口smtplib
进口随机
导入的时间
从email.mime。多部分进口MIMEMultipart
从email.mime。文本导入MIMEText
从email.mime。应用程序导入MIMEApplication
# 1。先获取整个页面信息
# Urllib模块提供了读取web页面数据的接口,我们可以像读取本地文件一样读取www和ftp上的数据。
#首先,我们定义了一个getHtml()函数:
# urllib.urlopen()方法用于打开一个URL地址。
# read()方法用于读取URL上的数据,向getHtml()函数传递一个网址,并把整个页面下载下来。执行程序就会把整个网页打印输出。
#
# #添加头部头
# Agent_list=[]
# user_agent=random.choice (Agent_list)
# page.add_header(“用户代理”,user_agent)
#
#
# #定义揭幕战,设置代理IP
# ip_list=[]
# httpproxy_handler=urllib2.ProxyHandler ({“http”: random.choice (ip_list)})
#刀=urllib2.build_opener (httpproxy_handler)
# urllib2.install_opener(刀)
def getHtml (url):
Agent_list=[' Mozilla/5.0 (Windows NT 6.1;Win64;AppleWebKit x64)/537.36 (KHTML,像壁虎)Chrome/78.0.3904.87 Safari/537.36”,
“Mozilla/5.0 (Windows NT 6.1;WOW64) AppleWebKit/537.1 (KHTML,像壁虎)Chrome/22.0.1207.1 Safari 537.1”,
“Mozilla/5.0 (X11;横i686 2268.111.0) AppleWebKit/536.11 (KHTML,像壁虎)Chrome/20.0.1132.57 Safari 536.11”
]
ip_list=[‘223.198.16.58:9999’,‘110.244.12.96:9999’,‘61.145.8.103:9999’,‘223.198.19.214:9999’,‘112.85.125.111:9999’)
user_agent=random.choice (Agent_list)
httpproxy_handler=urllib2.ProxyHandler ({“http”: random.choice (ip_list)})
刀=urllib2.build_opener (httpproxy_handler)
urllib2.install_opener(刀)
页面=urllib2.Request (url)
page.add_header(“用户代理”,user_agent)
响应=urllib2.urlopen(页面)
html=response.read ()
返回的html
# 2。筛选页面中想要的数据
#我们又创建了geturl()函数,用于在获取的整个页面中筛选需要的视频连接。
#再保险模块主要包含了正则表达式:
# r & lt; a href=' https://www.yisu.com/zixun/(/html/gndy/+ + html)的”,表示查找类似/html/gndy/jddy/20190607/58704.html地址的超链接。
#正则表达式输出的是括号()里面的内容。
#
#正则表达式示例:r”(. *) (* ?)。*’
#首先,这是一个字符串,前面的一个r表示字符串为非转义的原始字符串,让编译器忽略反斜杠,也就是忽略转义字符。
#但是这个字符串里没有反斜杠,所以这个r可有可无。
#。:匹配一个除了换行符任意一个字符
# ^:只有后面跟的字符串在开的头,才能匹配上
# *:它控制它前面那个字符,他前面那个字符出现0到多个都可以匹配上
# +:匹配前面那个字符1到多次
# ?:匹配前面那个字符0到1个,多余的只匹配一个
(. *)第号一个匹配分组,。*代表匹配除换行符之外的所有字符。
#(. * ?)第二个匹配分组,. * ?后面多个问号,代表非贪婪模式,也就是说只匹配符合条件的最少字符
#后面的一个。*没有括号包围,所以不是分组,匹配效果和第一个一样,但是不计入匹配结果中。
#
# re.search (“com”,“com”, re.I) .group ()
# re.I使匹配对大小写不敏感
# re.L做本地化识别(识别地区)匹配
# re.M多行匹配,影响^和$
# re.S使。匹配包括换行在内的所有字符
#
# & lt; a href="祝辞。& lt;/a>表示超链接
# re.compile()可以把正则表达式编译成一个正则表达式对象。
# re.findall()方法读取html中包含urlre(正则表达式)的数据。
#运行脚本将得到整个页面中包含图片的URL地址。
#
# reg=r”& lt; a href=' https://www.yisu.com/zixun/(/html/gndy。*) >
”
#匹配类似& lt; a href=' https://www.yisu.com/html/gndy/jddy/20160320/50523.html '在IMDB评分8分左右影片400余部& lt;/a> & lt; br/比;并输出括号里面的内容
#得到/html/gndy/jddy/20160320/50523.html’在IMDB评分8分左右影片400余部
#可以用reg=r”& lt; a href=' https://www.yisu.com/zixun/(/html/gndy/. * ?) >
”
#可以用reg=r”& lt; a href=' https://www.yisu.com/zixun/(/html/gndy/+) >
”
#可以用reg=r”& lt; a href=' https://www.yisu.com/zixun/(/html/gndy。+ ?) >
”
#
# re.split (r“祝辞+”,resource_url)将得到的结果/html/gndy/jddy/20160320/50523.html的祝辞IMDB评分8分左右影片400余部”按照的祝辞切割成两部分。
# down_addr=" + down_page [j] down_page无法显示汉字,所以做了下转化
#
#我的范围(20)查询需要的条记录,从1开始的原因是因为第0个记录不是需要的数据。
def geturl (html):
reg=r”& lt; a href=' https://www.yisu.com/zixun/(/html/gndy。*)