之前的文章我們介紹了一下 Xpath 模組,接下來我們就利用 Xpath 模組爬取《糗事百科》的糗事。
之前我們已經利用 re 模組爬取過一次糗百,我們只需要在其基礎上做一些修改就可以了,為了保證專案的完整性,我們重新再來一遍。
我們要爬取的網站連結是 https://www.qiushibaike.com/text/page/1/ 。
我們通過 Xpath Helper 的谷歌外掛經過分析獲取到我們想要的內容為: //div[@class="content"]/span[1]
然後我們就可以通過 text() 來獲取裡面的內容了, //div[@class="content"]/span[1]/text()
1 import urllib.request 2 from lxml import etree 3 import ssl 4 5 # 取消代理驗證 6 ssl._create_default_https_context = ssl._create_unverified_context 7 8 url = "https://www.qiushibaike.com/text/page/1/" 9 # User-Agent頭 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 # 獲取每頁的HTML原始碼字串 15 html = response.read().decode('utf-8') 16 # 解析html 為 HTML 文件 17 selector = etree.HTML(html) 18 content_list = selector.xpath('//div[@class="content"]/span[1]/text()') 19 print(content_list)
輸出結果為:
從上面的輸出結果可以看出我們已經拿到了我們想要的資料,並且是一個列表型別,我們對列表進行操作扥別拿到糗事再儲存到本地即可。
1 for item in item_list: 2 item = item.replace("\n", "") 3 self.writePage(item)
上面的程式碼中 item_list 即為我們上面所獲取到的 content_list 列表,在之前通過 re 模組獲取資料時通過對列表的內容分析,我們發現有 <span> ,<span class="contentForAll">檢視全文,</span>,<br/>,\n 等多餘內容,而通過 Xpath 只有 \n 為多餘,我們通過 replace 方法將其轉為空,剩下的就是我們想要的內容了,接下來就是儲存到本地即可了。
上面就可以實現一個獲取 糗事百科 的糗事的簡單爬蟲,但是隻能爬取單個頁面的內容,通過分析 url 我們發現 https://www.qiushibaike.com/text/page/1/ 中最後的 1 即為頁碼,我們就可以根據這個頁碼逐一爬取更多頁面的內容,最終的程式碼如下:
1 import urllib.request 2 from lxml import etree 3 import ssl 4 5 # 取消代理驗證 6 ssl._create_default_https_context = ssl._create_unverified_context 7 8 9 class Spider: 10 def __init__(self): 11 # 初始化起始頁位置 12 self.page = 1 13 # 爬取開關,如果為True繼續爬取 14 self.switch = True 15 16 def loadPage(self): 17 """ 18 作用:開啟頁面 19 """ 20 url = "https://www.qiushibaike.com/text/page/" + str(self.page) + "/" 21 # User-Agent頭 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 # 獲取每頁的HTML原始碼字串 27 html = response.read().decode('utf-8') 28 # 解析html 為 HTML 文件 29 selector = etree.HTML(html) 30 content_list = selector.xpath('//div[@class="content"]/span[1]/text()') 31 # 呼叫dealPage() 處理糗事裡的雜七雜八 32 self.dealPage(content_list) 33 34 def dealPage(self, item_list): 35 """ 36 @brief 處理得到的糗事列表 37 @param item_list 得到的糗事列表 38 @param page 處理第幾頁 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 將資料追加寫進檔案中 47 @param text 檔案內容 48 """ 49 myFile = open("./qiushi.txt", 'a') # 追加形式開啟檔案 50 myFile.write(text + "\n\n") 51 myFile.close() 52 53 def startWork(self): 54 """ 55 控制爬蟲執行 56 """ 57 # 迴圈執行,直到 self.switch == False 58 while self.switch: 59 # 使用者確定爬取的次數 60 self.loadPage() 61 command = input("如果繼續爬取,請按回車(退出輸入quit)") 62 if command == "quit": 63 # 如果停止爬取,則輸入 quit 64 self.switch = False 65 # 每次迴圈,page頁碼自增1 66 self.page += 1 67 print("爬取結束!") 68 69 70 if __name__ == '__main__': 71 # 定義一個Spider物件 72 qiushiSpider = Spider() 73 qiushiSpider.startWork()
最終會在本地新增一個 qiushi.txt 的檔案,結果如下: