Python 爬蟲從入門到進階之路(十五)

豐寸發表於2019-07-10

之前的文章我們介紹了一下 Python 的 json 模組,本章我們就介紹一下之前根據 Xpath 模組做的爬取《糗事百科》的糗事進行豐富和完善。

在 Xpath 模組的爬取糗百的案例中我們只是爬取了其中的糗事,然後儲存到本地,並沒有作者姓名,頭像等資訊,所有我們通過之前介紹的 path 模組講獲取到的完整資訊以 json 的形式儲存到本地。

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[contains(@id,"qiushi_tag")] 

 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[contains(@id,"qiushi_tag")]')
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 items = {}
 2 for site in content_list:
 3     imgUrl = site.xpath('./div/a/img/@src')[0]  # 頭像
 4     username = site.xpath('./div/a/img/@alt')[0]  # 作者
 5     content = site.xpath('.//div[@class="content"]/span[1]/text()')
 6     items = {
 7         "imgUrl": imgUrl,
 8         "username": username,
 9         "content": content,
10     }
11 
12     with open("qiushi.json", "a") as f:
13         f.write(json.dumps(items, ensure_ascii=False) + ",\n")

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 json
 4 import ssl
 5 
 6 # 取消代理驗證
 7 ssl._create_default_https_context = ssl._create_unverified_context
 8 
 9 
10 class Spider:
11     def __init__(self):
12         # 初始化起始頁位置
13         self.page = 2
14         # 爬取開關,如果為True繼續爬取
15         self.switch = True
16 
17     def loadPage(self):
18         """
19            作用:開啟頁面
20         """
21         url = "https://www.qiushibaike.com/text/page/" + str(self.page) + "/"
22         # User-Agent頭
23         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'
24         headers = {'User-Agent': user_agent}
25         req = urllib.request.Request(url, headers=headers)
26         response = urllib.request.urlopen(req)
27         # 獲取每頁的HTML原始碼字串
28         html = response.read().decode('utf-8')
29         # 解析html 為 HTML 文件
30         selector = etree.HTML(html)
31         content_list = selector.xpath('//div[contains(@id,"qiushi_tag")]')
32         # 呼叫dealPage() 處理糗事裡的雜七雜八
33         self.dealPage(content_list)
34 
35     def dealPage(self, item_list):
36         """
37             @brief 處理得到的糗事列表
38             @param item_list 得到的糗事列表
39             @param page 處理第幾頁
40         """
41         for site in item_list:
42             # 根據查詢發現匿名使用者和非匿名使用者的標籤不一樣
43             try:
44                 # 非匿名使用者
45                 imgUrl = site.xpath('./div/a/img/@src')[0]  # 頭像
46                 username = site.xpath('./div/a/img/@alt')[0]  # 作者
47             except Exception:
48                 # 匿名使用者
49                 imgUrl = site.xpath('./div/span/img/@src')[0]  # 頭像
50                 username = site.xpath('./div/span/img/@alt')[0]  # 作者
51             content = site.xpath('.//div[@class="content"]/span[1]/text()')
52             items = {
53                 "imgUrl": "https:" + imgUrl,
54                 "username": username,
55                 "content": content,
56             }
57 
58             self.writePage(items)
59 
60     def writePage(self, items):
61         """
62             @brief 將資料追加寫進檔案中
63             @param text 檔案內容
64         """
65         myFile = open("./qiushi.json", 'a')  # 追加形式開啟檔案
66         myFile.write(json.dumps(items, ensure_ascii=False) + ",\n")
67         myFile.close()
68 
69     def startWork(self):
70         """
71             控制爬蟲執行
72         """
73         # 迴圈執行,直到 self.switch == False
74         while self.switch:
75             # 使用者確定爬取的次數
76             self.loadPage()
77             command = input("如果繼續爬取,請按回車(退出輸入quit)")
78             if command == "quit":
79                 # 如果停止爬取,則輸入 quit
80                 self.switch = False
81             # 每次迴圈,page頁碼自增1
82             self.page += 1
83         print("爬取結束!")
84 
85 
86 if __name__ == '__main__':
87     # 定義一個Spider物件
88     qiushiSpider = Spider()
89     qiushiSpider.startWork()

程式啟動後會在本地生成一個 city.json 的檔案,結果如下:

 

相關文章