python网络爬虫爬取静态数据详解

Posted 2021-12-28 bai2018

目的

爬取http://seputu.com/数据并存储csv文件

导入库

lxml用于解析解析网页html等源码，提取数据。一些参考：https://www.cnblogs.com/zhangxinqi/p/9210211.html

requests请求网页

chardet用于判断网页中的字符编码格式

csv用于存储文本使用。

re用于正则表达式

from lxml import etree
import requests
import chardet
import csv
import re

获取网页

生成网页头带入到request.get中，可以模拟浏览器。其中的网页头，可以在浏览器控制台，network下查找到。

user_agent=‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0‘
headers=‘User-Agent‘:user_agent
r=requests.get(‘http://seputu.com/‘,headers=headers)

判断并转换编码

r.encoding=chardet.detect(r.content)[‘encoding‘]

解析网页

html=etree.HTML(r.text)

提取网页信息

浏览器打开对应网站，找到要提取的标签，通过元素审查，完成html文本内容的抽取。

这里抽取的内容为h2_title，href，title内容。title通过正则表达式完成分组，并进行数据提取。

注意的是：python正则表达式部分，不支持部分的零宽断言语法，采用分组方案，避开了可能出现的错误！

如以下代码会出错：

import re
box_title=‘[2012-5-23 21:14:42] 盗墓笔记 贺岁篇 真相‘
pattern=re.compile(r‘(?<=\\[.*\\]\\s).*‘)
result1=re.search(pattern, box_title)

rows存储了二维数据，用于写入csv文件。

div_mulus=html.xpath(‘.//*[@class="mulu"]‘)
rows=[]
for div_mulu in div_mulus:
    div_h2=div_mulu.xpath(‘./div[@class="mulu-title"]/center/h2/text()‘)
    if len(div_h2)>0:
        h2_title=div_h2[0]
        a_s=div_mulu.xpath(‘./div[@class="box"]/ul/li/a‘)
        for a in a_s:
            href=a.xpath(‘./@href‘)[0]
            box_title=a.xpath(‘./@title‘)[0]
            pattern=re.compile(r‘\\s*\\[(.*)\\]\\s+(.*)‘)
            result1=re.search(pattern, box_title)
            rows.append([h2_title,result1.group(2),href,result1.group(1)])
            pass
        pass
    pass

存储数据

建立header一维数据，配合之前rows二维数据，通过w权限，配合writer方法，完成一维、二维的数据写入

通过最后的输出，标记正常完成。

headers=[‘title‘,‘real_title‘,‘href‘,‘date‘]
with open(‘text.csv‘,‘w‘) as f:
    f_csv=csv.writer(f,)
    f_csv.writerow(headers)
    f_csv.writerows(rows)
print(‘finished‘)