之前的文章我们介绍了一下 Xpath 模块,接下来我们就利用 Xpath 模块爬取《糗事百科》的糗事。
之前我们已经利用 re 模块爬取过一次糗百,我们只需要在其基础上做一些修改就可以了,为了保证项目的完整性,我们重新再来一遍。
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[@class="content"]/span[1]
然后我们就可以通过 text() 来获取里面的内容了, //div[@class="content"]/span[1]/text()
1 import urllib.request 2 from lxml import etree 3 import ssl 4 5 # 取消代理验证 6 ssl._create_default_https_context = ssl._create_unverified_context 7 8 url = "https://www.qiushibaike.com/text/page/1/" 9 # User-Agent头 10 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‘ 11 headers = {‘User-Agent‘: user_agent} 12 req = urllib.request.Request(url, headers=headers) 13 response = urllib.request.urlopen(req) 14 # 获取每页的HTML源码字符串 15 html = response.read().decode(‘utf-8‘) 16 # 解析html 为 HTML 文档 17 selector = etree.HTML(html) 18 content_list = selector.xpath(‘//div[@class="content"]/span[1]/text()‘) 19 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。
1 for item in item_list: 2 item = item.replace("\n", "") 3 self.writePage(item)
上面的代码中 item_list 即为我们上面所获取到的 content_list 列表,在之前通过 re 模块获取数据时通过对列表的内容分析,我们发现有 <span> ,<span class="contentForAll">查看全文,</span>,<br/>,\n 等多余内容,而通过 Xpath 只有 \n 为多余,我们通过 replace 方法将其转为空,剩下的就是我们想要的内容了,接下来就是存储到本地即可了。
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:
1 import urllib.request 2 from lxml import etree 3 import ssl 4 5 # 取消代理验证 6 ssl._create_default_https_context = ssl._create_unverified_context 7 8 9 class Spider: 10 def __init__(self): 11 # 初始化起始页位置 12 self.page = 1 13 # 爬取开关,如果为True继续爬取 14 self.switch = True 15 16 def loadPage(self): 17 """ 18 作用:打开页面 19 """ 20 url = "https://www.qiushibaike.com/text/page/" + str(self.page) + "/" 21 # User-Agent头 22 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‘ 23 headers = {‘User-Agent‘: user_agent} 24 req = urllib.request.Request(url, headers=headers) 25 response = urllib.request.urlopen(req) 26 # 获取每页的HTML源码字符串 27 html = response.read().decode(‘utf-8‘) 28 # 解析html 为 HTML 文档 29 selector = etree.HTML(html) 30 content_list = selector.xpath(‘//div[@class="content"]/span[1]/text()‘) 31 # 调用dealPage() 处理糗事里的杂七杂八 32 self.dealPage(content_list) 33 34 def dealPage(self, item_list): 35 """ 36 @brief 处理得到的糗事列表 37 @param item_list 得到的糗事列表 38 @param page 处理第几页 39 """ 40 for item in item_list: 41 item = item.replace("\n", "") 42 self.writePage(item) 43 44 def writePage(self, text): 45 """ 46 @brief 将数据追加写进文件中 47 @param text 文件内容 48 """ 49 myFile = open("./qiushi.txt", ‘a‘) # 追加形式打开文件 50 myFile.write(text + "\n\n") 51 myFile.close() 52 53 def startWork(self): 54 """ 55 控制爬虫运行 56 """ 57 # 循环执行,直到 self.switch == False 58 while self.switch: 59 # 用户确定爬取的次数 60 self.loadPage() 61 command = input("如果继续爬取,请按回车(退出输入quit)") 62 if command == "quit": 63 # 如果停止爬取,则输入 quit 64 self.switch = False 65 # 每次循环,page页码自增1 66 self.page += 1 67 print("爬取结束!") 68 69 70 if __name__ == ‘__main__‘: 71 # 定义一个Spider对象 72 qiushiSpider = Spider() 73 qiushiSpider.startWork()
最终会在本地添加一个 qiushi.txt 的文件,结果如下:
原文地址:https://www.cnblogs.com/weijiutao/p/10880805.html