Python 爬虫从入门到进阶之路(十五)
2019-07-10 10:53
1126 查看
之前的文章我们介绍了一下 Python 的 json 模块,本章我们就介绍一下之前根据 Xpath 模块做的爬取《糗事百科》的糗事进行丰富和完善。
在 Xpath 模块的爬取糗百的案例中我们只是爬取了其中的糗事,然后存储到本地,并没有作者姓名,头像等信息,所有我们通过之前介绍的 path 模块讲获取到的完整信息以 json 的形式存储到本地。
我们要爬取的网站链接是 https://www.qiushibaike.com/text/page/1/ 。
我们通过 Xpath Helper 的谷歌插件经过分析获取到我们想要的内容为: //div[contains(@id,"qiushi_tag")]
import urllib.request from lxml import etree import ssl # 取消代理验证 ssl._create_default_https_context = ssl._create_unverified_context url = "https://www.qiushibaike.com/text/page/1/" # User-Agent头 user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36' headers = {'User-Agent': user_agent} req = urllib.request.Request(url, headers=headers) response = urllib.request.urlopen(req) # 获取每页的HTML源码字符串 html = response.read().decode('utf-8') # 解析html 为 HTML 文档 selector = etree.HTML(html) content_list = selector.xpath('//div[contains(@id,"qiushi_tag")]') print(content_list)
输出结果为:
从上面的输出结果可以看出我们已经拿到了我们想要的数据,并且是一个列表类型,我们对列表进行操作扥别拿到糗事再存储到本地即可。
items = {} for site in content_list: imgUrl = site.xpath('./div/a/img/@src')[0] # 头像 username = site.xpath('./div/a/img/@alt')[0] # 作者 content = site.xpath('.//div[@class="content"]/span[1]/text()') items = { "imgUrl": imgUrl, "username": username, "content": content, } with open("qiushi.json", "a") as f: f.write(json.dumps(items, ensure_ascii=False) + ",\n")
上面就可以实现一个获取 糗事百科 的糗事的简单爬虫,但是只能爬取单个页面的内容,通过分析 url 我们发现 https://www.qiushibaike.com/text/page/1/ 中最后的 1 即为页码,我们就可以根据这个页码逐一爬取更多页面的内容,最终的代码如下:
import urllib.request from lxml import etree import json import ssl # 取消代理验证 ssl._create_default_https_context = ssl._create_unverified_context class Spider: def __init__(self): # 初始化起始页位置 self.page = 2 # 爬取开关,如果为True继续爬取 self.switch = True def loadPage(self): """ 作用:打开页面 """ url = "https://www.qiushibaike.com/text/page/" + str(self.page) + "/" # User-Agent头 user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36' headers = {'User-Agent': user_agent} req = urllib.request.Request(url, headers=headers) response = urllib.request.urlopen(req) # 获取每页的HTML源码字符串 html = response.read().decode('utf-8') # 解析html 为 HTML 文档 selector = etree.HTML(html) content_list = selector.xpath('//div[contains(@id,"qiushi_tag")]') # 调用dealPage() 处理糗事里的杂七杂八 self.dealPage(content_list) def dealPage(self, item_list): """ @brief 处理得到的糗事列表 @param item_list 得到的糗事列表 @param page 处理第几页 """ for site in item_list: # 根据查询发现匿名用户和非匿名用户的标签不一样 try: # 非匿名用户 imgUrl = site.xpath('./div/a/img/@src')[0] # 头像 username = site.xpath('./div/a/img/@alt')[0] # 作者 except Exception: # 匿名用户 imgUrl = site.xpath('./div/span/img/@src')[0] # 头像 username = site.xpath('./div/span/img/@alt')[0] # 作者 content = site.xpath('.//div[@class="content"]/span[1]/text()') items = { "imgUrl": "https:" + imgUrl, "username": username, "content": content, } self.writePage(items) def writePage(self, items): """ @brief 将数据追加写进文件中 @param text 文件内容 """ myFile = open("./qiushi.json", 'a') # 追加形式打开文件 myFile.write(json.dumps(items, ensure_ascii=False) + ",\n") myFile.close() def startWork(self): """ 控制爬虫运行 """ # 循环执行,直到 self.switch == False while self.switch: # 用户确定爬取的次数 self.loadPage() command = input("如果继续爬取,请按回车(退出输入quit)") if command == "quit": # 如果停止爬取,则输入 quit self.switch = False # 每次循环,page页码自增1 self.page += 1 print("爬取结束!") if __name__ == '__main__': # 定义一个Spider对象 qiushiSpider = Spider() qiushiSpider.startWork()
程序启动后会在本地生成一个 city.json 的文件,结果如下:
相关文章推荐
- Python 爬虫从入门到进阶之路(二)
- Python 爬虫从入门到进阶之路(四)
- Python爬虫从入门到放弃(十五)之 Scrapy框架中Spiders用法
- Python 爬虫从入门到进阶之路(一)
- Python 爬虫从入门到进阶之路(三)
- Python爬虫从入门到放弃(十五)之 Scrapy框架中Spiders用法
- Python爬虫入门二之爬虫基础了解
- python爬虫从入门到实践,利用selenium爬取
- Python爬虫入门(7):正则表达式
- python3 [爬虫入门实战] 查看网站有多少个网页(站点)
- Python爬虫入门之request函数定制
- Python3爬虫入门之beautifulsoup库的使用
- python爬虫从入门到放弃(三)之 Urllib库的基本使用
- Python爬虫入门篇1
- 如何入门 Python 爬虫?
- DC学院课程-Python爬虫(入门+进阶)-课后作业分析
- 【Python3爬虫】Appium入门教程
- python爬虫入门
- Python爬虫从入门到放弃(十九)之 Scrapy爬取所有知乎用户信息(下)
- 芝麻HTTP: Python爬虫入门之正则表达式