python爬虫笔记之爬取足球比赛赛程

目标：爬取某网站比赛赛程，动态网页，则需找到对应ajax请求（具体可参考：https://blog.csdn.net/you_are_my_dream/article/details/53399949）

# -*- coding:utf-8 -*-
import sys
import re
import urllib.request

link = "https://***"
r = urllib.request.Request(link)
r.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36')
html = urllib.request.urlopen(r,timeout=500).read()
html = bytes.decode(html,encoding="gbk")
                     #返回大量json，需提取

#找出返回json中对应正则匹配的字符串
js = re.findall('"n":"(.*?)"',html)    
i=0

#循环打印比赛信息
try:
    while(1):
        #将字符串Unicode转化为中文，并输出
        print  (js[i].encode('utf-8').decode('unicode_escape'),js[i+1].encode('utf-8').decode('unicode_escape'),"VS",js[i+2].encode('utf-8').decode('unicode_escape'))
        i=i+3
        #当所有赛程爬取结束时，会报错“IndexError:list index out of range”，所以进行异常处理
except IndexError:
    print ("finished")

总结注意点：

1、python  3 采用这个import urllib.request

因为urllib和urllib2合体了。

2、字符串Unicode转为中文需注意python3与python2的表示方法不同：

　　python3：print  字符串.encode('utf-8').decode('unicode_escape')

　　python2：print  字符串.decode('unicode_escape')

3、re.findall()

关于这个函数，他的输出内容规律可以参考我之前写的：http://www.cnblogs.com/4wheel/p/8497121.html

【"n":"(.*?)"】 这个表达式只输出(.*?)这部分（为什么，还是参考我之前写的那篇文章），加上问号就是非贪婪模式，不加就是贪婪模式，顺便实践解释下贪婪模式

example：

总结：非贪婪模式就是在满足正则表达式的情况下，尽可能少的匹配。

　　   相反，贪婪模式就是在满足正则表达式的情况下，尽可能多的匹配。

so，爬取结果为：