Python 爬虫从入门到进阶之路

Posted 2022-03-14 weijiutao

之前的文章我们介绍了一下 Xpath 模块，接下来我们就利用 Xpath 模块爬取《糗事百科》的糗事。

之前我们已经利用 re 模块爬取过一次糗百，我们只需要在其基础上做一些修改就可以了，为了保证项目的完整性，我们重新再来一遍。

我们要爬取的网站链接是 https://www.qiushibaike.com/text/page/1/ 。

我们通过 Xpath Helper 的谷歌插件经过分析获取到我们想要的内容为： //div[@class="content"]/span[1] 

然后我们就可以通过 text() 来获取里面的内容了， //div[@class="content"]/span[1]/text() 

 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 url = "https://www.qiushibaike.com/text/page/1/"
 9 # User-Agent头
10 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‘
11 headers = ‘User-Agent‘: user_agent
12 req = urllib.request.Request(url, headers=headers)
13 response = urllib.request.urlopen(req)
14 # 获取每页的HTML源码字符串
15 html = response.read().decode(‘utf-8‘)
16 # 解析html 为 HTML 文档
17 selector = etree.HTML(html)
18 content_list = selector.xpath(‘//div[@class="content"]/span[1]/text()‘)
19 print(content_list)

输出结果为：

从上面的输出结果可以看出我们已经拿到了我们想要的数据，并且是一个列表类型，我们对列表进行操作扥别拿到糗事再存储到本地即可。

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：