爬虫 爬取糗事百科热门板块的信息

Posted 2022-01-20 zq8421

分析：

1、先查看返回的内容是否与显示的内容一样

2、再看页数的变化，每次会加一，总共13页，因此可以一次性构造地址列表

3、因此可直接结合 chrome插件 xpath helper 与 elemetns显示的内容进行定位要爬取的内容

 

用到的模块 requests+json+lxml+xpath

 下面是代码：

import requests
import json
from lxml import etree


class QiubaiSpider:
    def __init__(self):
        self.url_temp = "https://www.qiushibaike.com/8hr/page//"
        self.headers = 
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/73.0.3683.103 Safari/537.36"

    def get_url_list(self):  # 生成url_list
        return [self.url_temp.format(i) for i in range(1, 14)]

    def parse_url(self, url):  # 发送请求
        print(url)
        response = requests.get(url, headers=self.headers)
        return response.content

    def get_content_list(self,html_str):  # 提取数据
        html = etree.HTML(html_str)
        li_list = html.xpath("//div[@class=‘recommend-article‘]/ul/li")  # 分组
        content_list = []
        for li in li_list:
            item=
            item["content"] = li.xpath("./div/a/text()") # 获取内容
            item[‘name‘] = li.xpath("./div/div/a/span/text()") # 获取姓名
            item[‘name‘] = item[‘name‘][0] if len(item[‘name‘])>0 else None
            item[‘content_img‘] = li.xpath("./a/img/@src") # 获取图片
            item[‘content_img‘] = ‘https:‘+item[‘content_img‘][0] if len(item[‘content_img‘])>0 else None
            item[‘auth_img‘] = li.xpath(".//a[@class=‘recmd-user‘]/img/@src")  # 获取用户头像
            item[‘auth_img‘] = ‘https:‘+item[‘auth_img‘][0] if len(item[‘auth_img‘])>0 else None
            item[‘recmd-num‘] = li.xpath(".//div[@class=‘recmd-num‘]/span/text()")  # 获取点赞数和评论数
            content_list.append(item)
        return content_list

    def save_content_list(self,content_list):  # 保存数据
        with open(‘qiubai‘,‘a‘,encoding=‘utf-8‘)as f:
            for i in content_list:
                f.write(json.dumps(i,ensure_ascii=False,indent=4))
                f.write(‘\\n‘)
    def run(self):  # 实现主要逻辑
        # 1 url_list
        url_list = self.get_url_list()
        # 2 遍历,发送请求，获取响应
        for url in url_list:
            html_str = self.parse_url(url)
            # 3 提取数据
            content_list = self.get_content_list(html_str)
            # 4 保存
            self.save_content_list(content_list)

if __name__ == ‘__main__‘:
    qiubai = QiubaiSpider()
    qiubai.run()