python 上个小爬虫的改进

上一篇写的是个爬取古诗词网上的古诗，并写到文件里，今天做了一下改进。

1、之前写的是网页上显示的折叠诗，就是诗的内容是折叠的，内容短的话可能是诗的全部，如果长的话只是一部分了，所以这里做出改进，让它爬取链接处的内容，因为如果你点击连接后会显示诗的全部内容。

体会：首先你要自己分析好页面在进行爬取。

2、改进了容错性，可能点击链接会失效，这里失效后就爬去下一条内容而非报错终止。

以下为代码：（ps 重点是分析页面，每个页面有自己的结构，找到共性就好）

#-*-  coding:gbk  -*-
import urllib.request
import time,os
import numpy as np
from bs4 import BeautifulSoup

hds=[{'User-Agent': 'Mozilla/5.0 (Windows; U;Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}, \
     {'User-Agent': 'Mozilla/5.0 (Windows NT 6.2) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.12 Safari/535.11'}, \
     {'User-Agent': 'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.2; Trident/6.0)'}]


def search(value,page):

    url='http://so.gushiwen.org/search.aspx?type=author&page='+urllib.request.quote(str(page))+'&value='+urllib.request.quote(value)
    #拼接url使用urllib.request.quote（）把汉字和数字拼接到url里
    time.sleep(np.random.rand() * 2)#随机等一段时间再进行访问
    try:
        req=urllib.request.Request(url,headers=hds[page%3])
        html_resource=urllib.request.urlopen(req)
        # print(html_resource.info()) 输出服务器信息
        plain_text=html_resource.read().decode()
        return plain_text

    except (urllib.request.HTTPError,urllib.request.URLError) as e:
        print(e)

def rmline(str):
    #这是一个去除字符串中的空行的函数
    data=''
    for line in str:
        l=line.strip()
        if len(l)!=0:
            data+=l
    return data

def getpoemMessage(poem_id,page):
    url = 'http://so.gushiwen.org/shiwen/ajaxshiwen.aspx?id=' + poem_id + '&from=search'
    print(url)
    time.sleep(np.random.rand() * 1)  # 随机等一段时间再进行访问
    try:
        req=urllib.request.Request(url,headers=hds[page%3])
        html_resource=urllib.request.urlopen(req)
        # print(html_resource.info()) 输出服务器信息
        plain_text=html_resource.read().decode()
        return plain_text
    except (urllib.request.HTTPError,urllib.request.URLError) as e:
        print(e)

def parse_poem(html):

    soup=BeautifulSoup(html,'lxml')
    if (soup.find('title')):
        pass
    else:
        poem_title = soup.p
        poem_title_str = poem_title.a.string
        poem_author = poem_title.next_sibling.next_sibling
        poem_author_str = poem_author.string.split(u'\xa0')[0]
        # 注意gbk无法识别u'\xa0'编码，他的意思为空格
        poem_text = list(soup.div.next_sibling.next_sibling.strings)
        poem_text_str = ''
        for text in list(soup.div.next_sibling.next_sibling.strings)[6:-2]:
            poem_text_str += text + '\n'
        with open('poem2.txt', mode='a', encoding='utf-8') as f:
            f.write('题目： ' + rmline(poem_title_str) + '\n')
            f.write(poem_author_str + '\n')
            f.write('内容： ' + poem_text_str + '\n')
            f.write('-----------------------------------------' + '\n')




def parseHtml(html,page):

    # soup=BeautifulSoup(html,'lxml')
    # title=soup.title#获取网页title
    # title_name=title.name#获取title的名字 也就是标签的名字
    # title_string=title.string#获取title的值
    # title_parent=soup.title.parent#title的父对象
    #
    # soup.p#获取第一个p标签
    # soup.p['class']#获取第一个p标签里面的class值
    #
    # soup.find_all('a')#找到所有的a标签
    # soup.find(id='***')#获取id为***的标签
    soup=BeautifulSoup(html,'lxml')
    with open('poem2.txt',mode='a',encoding='utf-8') as f:
        f.write('第'+str(page)+'页'+'\n')

    if page==1:
        for poem in soup.find_all("div", "sons")[1:]:
            print(poem['id'])
            id=poem['id'][11:]
            parse_poem(getpoemMessage(id,page))

    else:
        for poem in soup.find_all("div", "sons"):
            print(poem['id'])
            id = poem['id'][11:]
            parse_poem(getpoemMessage(id, page))




if __name__=="__main__":
    filename = 'poem2.txt'
    if os.path.exists(filename):
        os.remove(filename)
    for page in range(1,3):
        #1，4是指页数，也就是下载前三页数据。下面的作者名字可以随意改，或者写诗的名字也可以
        parseHtml(search('纳兰性德',page), page)

编码问题也是个大问题，具体问题具体解决吧。

python 上个小爬虫的改进

猜你喜欢