前の記事で、我々は我々が教えて恥ずかしい話「を、伝えるために恥ずかしい話の百科事典を」クロールのXpathモジュールを使用し、ビットのXpathモジュールを導入。
我々は以前に一度恥ずかしい百をクロールreモジュールを使用している、私たちはプロジェクトの整合性を確保するために、我々は再びそれを-行う再、それにその基礎にあるいくつかの変更を加える必要があります。
私たちは、クロールするWebリンクがある https://www.qiushibaike.com/text/page/1/ 。
:私たちは、GoogleのプラグインでXPathヘルパー我々はコンテンツを分析したいのかによって介して取得 //のdiv [する@ クラス = 「コンテンツ」 [1]] /スパン
その後、我々は()テキストを内部に何、取得することができます // divの[@ クラス = " コンテンツ" ] /スパン[1] /テキスト()を
1つの インポートurllib.request 2 から lxmlのインポートetree 3 インポート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 #1 のUser-Agent头 10のuser_agent = ' のMozilla / 5.0(Macintoshでは、インテルのMac OS X 10_14_4)のAppleWebKit / 537.36(ヤモリ様KHTML)クローム/ 74.0.3729.157サファリ/ 537.36 ' 11のヘッダー= { ' ユーザエージェント':} USER_AGENT 12は、 REQ = urllib.request.Request(URL、ヘッダー= ヘッダ) 13は応答= urllib.request.urlopen(REQ) 14 #文字列の各ページの取得したHTMLソースコード 15 Response.read HTML =()デコード(。' UTF-8 ' ) 16 位htmlのHTML文書を解析された 。17セレクタ= etree.HTML(HTML) 18がある CONTENT_LIST = selector.xpath(" // divの[クラス@ = "コンテンツ"] /スパン[1] /テキスト()" ) 。19 印刷(CONTENT_LIST)
出力は次のようになります。
私たちが望むデータを持っていることがわかると、リストタイプであることができる上記の結果からの出力は、我々はアルト操作の一覧を取得し、できるローカルembarrassmentsに保存されません。
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: