python3.5 - 请问我的python小爬虫代码应该怎么做优化？

问题描述

问 题

新入门做的一个爬取文段程序，代码看起来比较臃肿，请问有没有什么好的建议呢？

另外我准备在for循环末尾把数据插入mysql数据库，这样做好吗，还是说再弄一个for循环，第一个for循环把数据存进二维列表里，第二个循环再逐条插入数据呢？

---

#-*- coding:utf-8 -*-
import re
from pyquery import PyQuery as pq
import time

#过滤html标签
def stripTag(x):
    return re.sub('<(.*?)>','',str(x))

#转换时间戳
def timeStamp(x):
    return time.mktime(time.strptime(x,'%Y-%m-%d %H:%M'))

#获取网页局部源码
d = pq(url='http://www.juexiang.com/list/1017')
d = pq(d('.left').html())
x = d('div.arttitle')

#匹配时间格式
pattern = re.compile(r"[0-9]{4}(.*)[0-9]{2}")

#for循环获取标题、作者、时间
for i in x:
    a = pq(pq(i).html())
    title = stripTag(pq(a('a').eq(0).text()))
    author = stripTag(pq(a('a').eq(1).text()))
    time1 = str(pq(a('span').eq(2).text()))
    time1 = timeStamp((pattern.search(time1)).group())
    print(title,'\t',author,'\t',time1,'\n')

解决方案

如果还在for循环里添加数据库操作，那代码看起来就很丑了，其实每一部分都可以分成函数或建类来处理，
比如
1.获取网页内容和过滤html标签可以建一个函数

def get_page(url):
    pass

2.获取时间戳和转换时间戳可以合并在一个函数中

def handld_time():
    pass
    

3.获取标题、作者、时间可用一个函数处理

def get_article_content():
    pass

这样函数可以复用，并且调用起来十分方便灵活，因为这只是一个小程序，用几个函数重构就可以达到效果了

这篇关于python3.5 - 请问我的python小爬虫代码应该怎么做优化？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！