#yyds干货盘点# 程序员是这样学习中药学知识的，先用python采集分析一波

Posted 2022-03-08 梦想橡皮擦

本次博客为《爬虫 120 例》第 33 例，重点学习的模块为 pyquery。

目标站点分析

本次要采集的站点为：http://www.zhongyoo.com/name/page_1.html，其中列表页规则如下：

http://www.zhongyoo.com/name/page_1.html
http://www.zhongyoo.com/name/page_2.html
http://www.zhongyoo.com/name/page_页码.html

每页有 20 条数据，可查阅总页码为 45 页。

详情页地址可通过标题指向的链接获取。

最终的目标数据是获取详情页，各个指标数据，具体如下图所示（不同页面规则有细微差异，解析数据时需要特别注意）

本爬虫编写分为两个步骤完成，第一步将所有详情页保存到本地，第二步提取本地 HTML 数据。

编码时间

保存 HTML 静态数据到本地，重点注意编码问题即可。

from pyquery import PyQuery as pq
import time
import requests
import chardet

def get_html(page):
    headers = 
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36"
    
    res = requests.get(url=http://www.zhongyoo.com/name/page_.html.format(page), headers=headers, timeout=5)

    res.encoding = "gb2312"

    pq_data = pq(res.text)
    titles = pq_data.find("strong>a.title")

    for item in titles:
        # 下面两种写法都能获取到 href 属性
        # print(pq(item).attr(href))
        # print(item.attrib[href])
        link = pq(item).attr(href)
        print(link)
        save(link)
    # return len(res.text)

def save(link):
    headers = 
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36"
    
    doc = pq(url=link, headers=headers, encoding=gbk)
    title = doc(title)
    print(title.text())
    if title:
        title = title.text().split(_)[0]

    text = doc.html()

    with open("./html/.html".format(title), "w+") as f:
        f.write(text.encode("gbk", "ignore").decode("gbk"))

if __name__ == __main__:
    # 静态页面获取代码逻辑
    page_data = list(range(1, 46))
    ret = map(get_html, page_data)
    for item in ret:
        print(item)

在提取网页元素的 href 属性时碰到一个 BUG，如下所示：

AttributeError: HtmlElement object has no attribute attr

此时可以直接使用 ElementTree API 访问标签的属性，也可以对 HtmlElemente 进行封装，即使用 pq 进行包裹，代码如下：

pq(item).attr(href)

还有一种方式是调用上述变量 titles 的 .items 方法，此时就可以通过 .attr 函数，获取 href 属性。

由于网页是 gb2312 编码，实测中发现是 gbk 编码，但在存储文件时，还是存在字符无法被转换，故增加如下代码，去除无法被转换的字符。

with open("./html/.html".format(title), "w+") as f:
    f.write(text.encode("gbk", "ignore").decode("gbk"))

注意以下问题，都是字符编码的问题。

> gb2312 codec cant encode character \\u85a2 in position 14654: illegal multibyte sequence
> gbk codec cant encode character \\xa9 in position 20633: illegal multibyte sequence
> utf-8 codec cant decode byte 0xb2 in position 164: invalid start byte

编写数据提取部分代码时，发现使用 pyquery 提取会变得很复杂，还是需要正则表达式的介入，以下代码可供参考。

def extract_data():
    file_names = os.listdir("./html/")
    for file in file_names:
        with open(f"./html/file", "r") as f:
            html_content = f.read()
            # 解析数据
            pq_obj = pq(html_content)
            items = pq_obj.find(div.text p)
            print("获取到的段落数为，", len(items))
            # 等待提取的字符串
            item_str = ""
            for item in items:
                text = pq(item).text()
                item_str += text
            # 使用正则提取数据
            # 正名/中药名/药名
            name_p = re.compile(【(正名|中药名|药名)】([\\s\\S]*?)【)
            name = name_p.findall(item_str)
            # 别名
            alias_p = re.compile(【别名】([\\s\\S]*?)【)
            alias = alias_p.findall(item_str)
            # 英文名
            en_name_p = re.compile(【英文名】([\\s\\S]*?)【)
            en_name = en_name_p.findall(item_str)
            print(name, alias, en_name)

收藏时间