首页 > > 网络编程 > 其它 >

python3 爬虫---爬取糗事百科

2018-06-18 00:03:03来源：未知阅读 ()

这次爬取的网站是糗事百科，网址是：http://www.qiushibaike.com/hot/page/1

分析网址，参数'page/'后面的数字'1'指的是页数，第二页就是'/page/2'，以此类推。。。

一、分析网页

然后明确要爬取的元素：作者名、内容、好笑数、以及评论数量

每一个段子的信息存放在'div id="content-left"'下的div中

爬取元素的所在位置

二、爬取部分

　　工具：　　

　　　Python3

　　　requests

　　　xpath

　　1、获取每一个段子

1 # 返回页面的div_list
2     def getHtmlDivList(self, pageIndex):
3         pageUrl = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
4         html = requests.get(url=pageUrl, headers=self.headers).text
5         selector = etree.HTML(html)
6         divList = selector.xpath('//div[@id="content-left"]/div')
7         return divList

　　每一个段子都在div中，这里用xpath，筛选出来后返回的是一个列表，每一个div都在里面

　　2、获取每一个段子中的元素

 1     def getHtmlItems(self, divList):
 2 
 3         items = []
 4 
 5         for div in divList:
 6             item = []
 7             # 发布人
 8             name = div.xpath('.//h2/text()')[0].replace("\n", "")
 9             item.append(name)
10 
11             # 内容(阅读全文)
12             contentForAll = div.xpath('.//div[@class="content"]/span[@class="contentForAll"]')
13             if contentForAll:
14                 contentForAllHref = div.xpath('.//a[@class="contentHerf"]/@href')[0]
15                 contentForAllHref = "https://www.qiushibaike.com" + contentForAllHref
16                 contentForAllHrefPage = requests.get(url=contentForAllHref).text
17                 selector2 = etree.HTML(contentForAllHrefPage)
18                 content = selector2.xpath('//div[@class="content"]/text()')
19                 content = "".join(content)
20                 content = content.replace("\n", "")
21             else:
22                 content = div.xpath('.//div[@class="content"]/span/text()')
23                 content = "".join(content)
24                 content = content.replace("\n", "")
25             item.append(content)
26 
27             # 点赞数
28             love = div.xpath('.//span[@class="stats-vote"]/i[@class="number"]/text()')
29             love = love[0]
30             item.append(love)
31 
32             # 评论人数
33             num = div.xpath('.//span[@class="stats-comments"]//i[@class="number"]/text()')
34             num = num[0]
35             item.append(num)
36 
37             items.append(item)
38 
39         return items

　　这里需要注意的是，xpath返回的是一个列表，筛选出来后需要用[0]获取到字符串类型

　　上面的代码中，爬取的内容里，有的段子是这样的，如下图：　　　

　　内容中会有标签<br>，那么用xpath爬取出来后，里面的内容都会成一个列表（这里的div就是列表），

　　那div[0]就是"有一次回老家看姥姥，遇到舅妈说到表弟小时候的事～"，所以需要将div转换成字符串　　

　　其他的部分就xpath语法的使用

　　3、保存进文本

 1 # 保存入文本
 2     def saveItem(self, items):
 3         f = open('F:\\Pythontest1\\qiushi.txt', "a", encoding='UTF-8')
 4 
 5         for item in items:
 6             name = item[0]
 7             content = item[1]
 8             love = item[2]
 9             num = item[3]
10 
11             # 写入文本
12             f.write("发布人：" + name + '\n')
13             f.write("内容：" + content + '\n')
14             f.write("点赞数：" + love + '\t')
15             f.write("评论人数：" + num)
16             f.write('\n\n')
17 
18         f.close()

　　4、全部代码　

  1 import os
  2 import re
  3 import requests
  4 from lxml import etree
  5 
  6 
  7 # 糗事百科爬虫
  8 class QSBK:
  9     # 初始化方法，定义变量
 10     def __init__(self):
 11         self.pageIndex = 1
 12         self.headers = {
 13             "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36"
 14         }
 15         self.enable = False
 16 
 17     # 返回页面的div_list
 18     def getHtmlDivList(self, pageIndex):
 19         pageUrl = 'http://www.qiushibaike.com/hot/page/' + str(pageIndex)
 20         html = requests.get(url=pageUrl, headers=self.headers).text
 21         selector = etree.HTML(html)
 22         divList = selector.xpath('//div[@id="content-left"]/div')
 23         return divList
 24 
 25     # 获取文本中要截取的元素
 26     def getHtmlItems(self, divList):
 27 
 28         items = []
 29 
 30         for div in divList:
 31             item = []
 32             # 发布人
 33             name = div.xpath('.//h2/text()')[0].replace("\n", "")
 34             item.append(name)
 35 
 36             # 内容(阅读全文)
 37             contentForAll = div.xpath('.//div[@class="content"]/span[@class="contentForAll"]')
 38             if contentForAll:
 39                 contentForAllHref = div.xpath('.//a[@class="contentHerf"]/@href')[0]
 40                 contentForAllHref = "https://www.qiushibaike.com" + contentForAllHref
 41                 contentForAllHrefPage = requests.get(url=contentForAllHref).text
 42                 selector2 = etree.HTML(contentForAllHrefPage)
 43                 content = selector2.xpath('//div[@class="content"]/text()')
 44                 content = "".join(content)
 45                 content = content.replace("\n", "")
 46             else:
 47                 content = div.xpath('.//div[@class="content"]/span/text()')
 48                 content = "".join(content)
 49                 content = content.replace("\n", "")
 50             item.append(content)
 51 
 52             # 点赞数
 53             love = div.xpath('.//span[@class="stats-vote"]/i[@class="number"]/text()')
 54             love = love[0]
 55             item.append(love)
 56 
 57             # 评论人数
 58             num = div.xpath('.//span[@class="stats-comments"]//i[@class="number"]/text()')
 59             num = num[0]
 60             item.append(num)
 61 
 62             items.append(item)
 63         
 64         return items
 65 
 66     # 保存入文本
 67     def saveItem(self, items):
 68         f = open('F:\\Pythontest1\\qiushi.txt', "a", encoding='UTF-8')
 69 
 70         for item in items:
 71             name = item[0]
 72             content = item[1]
 73             love = item[2]
 74             num = item[3]
 75 
 76             # 写入文本
 77             f.write("发布人：" + name + '\n')
 78             f.write("内容：" + content + '\n')
 79             f.write("点赞数：" + love + '\t')
 80             f.write("评论人数：" + num)
 81             f.write('\n\n')
 82 
 83         f.close()
 84 
 85     # 判断文本是否已创建，添加路径
 86     def judgePath(self):
 87         if os.path.exists('F:\\Pythontest1') == False:
 88             os.mkdir('F:\\Pythontest1')
 89         if os.path.exists("F:\\Pythontest1\\qiushi.txt") == True:
 90             os.remove("F:\\Pythontest1\\qiushi.txt")
 91 
 92     def start(self):
 93         self.judgePath()
 94         print("正在读取糗事百科,按回车继续保存下一页，Q退出")
 95         self.enable = True
 96         while self.enable:
 97             divList = self.getHtmlDivList(self.pageIndex)
 98             data = self.getHtmlItems(divList)
 99             self.saveItem(data)
100             print('已保存第%d页的内容' % self.pageIndex)
101             pan = input('是否继续保存：')
102             if pan != 'Q':
103                 self.pageIndex += 1
104                 self.enable = True
105             else:
106                 print('程序运行结束！！')
107                 self.enable = False
108 
109 
110 spider = QSBK()
111 spider.start()