之前的文章我們介紹了一下 Python 的 json 子產品,本章我們就介紹一下之前根據 Xpath 子產品做的爬取《糗事百科》的糗事進行豐富和完善。
在 Xpath 子產品的爬取糗百的案例中我們隻是爬取了其中的糗事,然後存儲到本地,并沒有作者姓名,頭像等資訊,所有我們通過之前介紹的 path 子產品講擷取到的完整資訊以 json 的形式存儲到本地。
我們要爬取的網站連結是 https://www.qiushibaike.com/text/page/1/ 。
我們通過 Xpath Helper 的谷歌插件經過分析擷取到我們想要的内容為: //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 # 擷取每頁的HTML源碼字元串
15 html = response.read().decode('utf-8')
16 # 解析html 為 HTML 文檔
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,并且是一個清單類型,我們對清單進行操作扥别拿到糗事再存儲到本地即可。
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")
上面就可以實作一個擷取 糗事百科 的糗事的簡單爬蟲,但是隻能爬取單個頁面的内容,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内容,最終的代碼如下:
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:打開頁面
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 # 擷取每頁的HTML源碼字元串
28 html = response.read().decode('utf-8')
29 # 解析html 為 HTML 文檔
30 selector = etree.HTML(html)
31 content_list = selector.xpath('//div[contains(@id,"qiushi_tag")]')
32 # 調用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 處理得到的糗事清單
38 @param item_list 得到的糗事清單
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标簽不一樣
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 将資料追加寫進檔案中
63 @param text 檔案内容
64 """
65 myFile = open("./qiushi.json", 'a') # 追加形式打開檔案
66 myFile.write(json.dumps(items, ensure_ascii=False) + ",\n")
67 myFile.close()
68
69 def startWork(self):
70 """
71 控制爬蟲運作
72 """
73 # 循環執行,直到 self.switch == False
74 while self.switch:
75 # 使用者确定爬取的次數
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 # 每次循環,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對象
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: