Python 爬蟲從入門到進階之路（十五）

以前的文章咱們介紹了一下 Python 的 json 模塊，本章咱們就介紹一下以前根據 Xpath 模塊作的爬取《糗事百科》的糗事進行豐富和完善。

在 Xpath 模塊的爬取糗百的案例中咱們只是爬取了其中的糗事，而後存儲到本地，並無做者姓名，頭像等信息，全部咱們經過以前介紹的 path 模塊講獲取到的完整信息以 json 的形式存儲到本地。

咱們要爬取的網站連接是 https://www.qiushibaike.com/text/page/1/ 。

咱們經過 Xpath Helper 的谷歌插件通過分析獲取到咱們想要的內容爲： //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源碼字符串
15 html = response.read().decode('utf-8')
16 # 解析html 爲 HTML 文檔
17 selector = etree.HTML(html)
18 content_list = selector.xpath('//div[contains(@id,"qiushi_tag")]')
19 print(content_list)

輸出結果爲：

從上面的輸出結果能夠看出咱們已經拿到了咱們想要的數據，而且是一個列表類型，咱們對列表進行操做扥別拿到糗事再存儲到本地便可。

 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]  # 做者
 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")

上面就能夠實現一個獲取 糗事百科 的糗事的簡單爬蟲，可是隻能爬取單個頁面的內容，經過分析 url 咱們發現 https://www.qiushibaike.com/text/page/1/ 中最後的 1 即爲頁碼，咱們就能夠根據這個頁碼逐一爬取更多頁面的內容，最終的代碼以下：

 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，若是爲True繼續爬取
15         self.switch = True
16 
17     def loadPage(self):
18         """
19            做用：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         # 獲取每頁的HTML源碼字符串
28         html = response.read().decode('utf-8')
29         # 解析html 爲 HTML 文檔
30         selector = etree.HTML(html)
31         content_list = selector.xpath('//div[contains(@id,"qiushi_tag")]')
32         # 調用dealPage() 處理糗事裏的雜七雜八
33         self.dealPage(content_list)
34 
35     def dealPage(self, item_list):
36         """
37             @brief 處理獲得的糗事列表
38             @param item_list 獲得的糗事列表
39             @param page 處理第幾頁
40         """
41         for site in item_list:
42             # 根據查詢發現匿名用戶和非匿名用戶的標籤不同
43             try:
44                 # 非匿名用戶
45                 imgUrl = site.xpath('./div/a/img/@src')[0]  # 頭像
46                 username = site.xpath('./div/a/img/@alt')[0]  # 做者
47             except Exception:
48                 # 匿名用戶
49                 imgUrl = site.xpath('./div/span/img/@src')[0]  # 頭像
50                 username = site.xpath('./div/span/img/@alt')[0]  # 做者
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 將數據追加寫進文件中
63             @param text 文件內容
64         """
65         myFile = open("./qiushi.json", 'a')  # 追加形式打開文件
66         myFile.write(json.dumps(items, ensure_ascii=False) + ",\n")
67         myFile.close()
68 
69     def startWork(self):
70         """
71             控制爬蟲運行
72         """
73         # 循環執行，直到 self.switch == False
74         while self.switch:
75             # 用戶肯定爬取的次數
76             self.loadPage()
77             command = input("若是繼續爬取，請按回車（退出輸入quit)")
78             if command == "quit":
79                 # 若是中止爬取，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()

程序啓動後會在本地生成一個 city.json 的文件，結果以下：