requests和lxml实现爬虫的方法


Posted in Python onJune 11, 2017

如下所示:

# requests模块来请求页面
# lxml模块的html构建selector选择器(格式化响应response)
# from lxml import html
# import requests

# response = requests.get(url).content

# selector = html.formatstring(response)

# hrefs = selector.xpath('/html/body//div[@class='feed-item _j_feed_item']/a/@href')

# 以url = 'https://www.mafengwo.cn/gonglve/ziyouxing/2033.html'为例子

# python 2.7
import requests
from lxml import html
import os
# 获取首页中子页的url链接
def get_page_urls(url):
  response = requests.get(url).content
  # 通过lxml的html来构建选择器
  selector = html.fromstring(response)
  urls = []
  for i in selector.xpath("/html/body//div[@class='feed-item _j_feed_item']/a/@href"):
    urls.append(i)
  return urls
# get title from a child's html(div[@class='title'])
def get_page_a_title(url):
  '''url is ziyouxing's a@href'''
  response = requests.get(url).content
  selector = html.fromstring(response)
  # get xpath by chrome's tool --> /html/body//div[@class='title']/text()
  a_title = selector.xpath("/html/body//div[@class='title']/text()")
  return a_title
# 获取页面选择器(通过lxml的html构建)
def get_selector(url):
  response = requests.get(url).content
  selector = html.fromstring(response)
  return selector
# 通过chrome的开发者工具分析html页面结构后发现,我们需要获取的文本内容主要显示在div[@class='l-topic']和div[@class='p-section']中
# 获取所需的文本内容
 def get_page_content(selector):
   # /html/body/div[2]/div[2]/div[1]/div[@class='l-topic']/p/text()
   page_title = selector.xpath("//div[@class='l-topic']/p/text()")
   # /html/body/div[2]/div[2]/div[1]/div[2]/div[15]/div[@class='p-section']/text()
   page_content = selector.xpath("//div[@class='p-section']/text()")
   return page_title,page_content
# 获取页面中的图片url地址
def get_image_urls(selector):
  imagesrcs = selector.xpath("//img[@class='_j_lazyload']/@src")
  return imagesrcs
# 获取图片的标题

def get_image_title(selector, num)
  # num 是从2开始的
  url = "/html/body/div[2]/div[2]/div[1]/div[2]/div["+num+"]/span[@class='img-an']/text()"
  if selector.xpath(url) is not None:
    image_title = selector.xpath(url)
  else:
    image_title = "map"+str(num) # 没有就起一个
  return image_title
# 下载图片

def downloadimages(selector,number):
  '''number是用来计数的'''
  urls = get_image_urls()
  num = 2
  amount = len(urls)
  for url in urls:
    image_title = get_image_title(selector, num)
    filename = "/home/WorkSpace/tour/words/result"+number+"/+"image_title+".jpg"
    if not os.path.exists(filename):
      os.makedirs(filename)
    print('downloading %s image %s' %(number, image_title))
    with open(filename, 'wb') as f:
      f.write(requests.get(url).content)
    num += 1
  print "已经下载了%s张图" %num
# 入口,启动并把获取的数据存入文件中
if __name__ =='__main__':
  url = 'https://www.mafengwo.cn/gonglve/ziyouxing/2033.html'
  urls = get_page_urls(url)
  # turn to get response from html
  number = 1
  for i in urls:
    selector = get_selector(i)
    # download images
    downloadimages(selector,number)
    # get text and write into a file
    page_title, page_content = get_page_content(selector)
    result = page_title+'\n'+page_content+'\n\n'
    path = "/home/WorkSpace/tour/words/result"+num+"/"
    if not os.path.exists(filename):
      os.makedirs(filename)
    filename = path + "num"+".txt"
    with open(filename,'wb') as f:
      f.write(result)
    print result

到此就结束了该爬虫,爬取页面前一定要认真分析html结构,有些页面是由js生成,该页面比较简单,没涉及到js的处理,日后的随笔中会有相关分享

以上这篇requests和lxml实现爬虫的方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持三水点靠木。

Python 相关文章推荐
python连接MySQL数据库实例分析
May 12 Python
python实现多线程的方式及多条命令并发执行
Jun 07 Python
微信 用脚本查看是否被微信好友删除
Oct 28 Python
python 读取excel文件生成sql文件实例详解
May 12 Python
Django如何配置mysql数据库
May 04 Python
Python中安装easy_install的方法
Nov 18 Python
python+Django+pycharm+mysql 搭建首个web项目详解
Nov 29 Python
Python数据可视化:饼状图的实例讲解
Dec 07 Python
使用Python爬虫库BeautifulSoup遍历文档树并对标签进行操作详解
Jan 25 Python
Python如何使用turtle库绘制图形
Feb 26 Python
Python基于os.environ从windows获取环境变量
Jun 09 Python
PyQt5中QSpinBox计数器的实现
Jan 18 Python
Python实现自动登录百度空间的方法
Jun 10 #Python
Python实现获取命令行输出结果的方法
Jun 10 #Python
Python实现查找匹配项作处理后再替换回去的方法
Jun 10 #Python
新手如何快速入门Python(菜鸟必看篇)
Jun 10 #Python
python+requests+unittest API接口测试实例(详解)
Jun 10 #Python
基于python爬虫数据处理(详解)
Jun 10 #Python
python实现稀疏矩阵示例代码
Jun 09 #Python
You might like
解读PHP中的垃圾回收机制
2015/08/10 PHP
php生成网页桌面快捷方式
2017/05/05 PHP
apache集成php7.3.5的详细步骤
2019/06/20 PHP
PHP日期和时间函数的使用示例详解
2020/08/06 PHP
jQuery(1.3.2) 7行代码搞定跟随屏幕滚动的层
2009/05/21 Javascript
用jquery实现自定义风格的滑动条实现代码
2011/04/26 Javascript
node.js中的console.info方法使用说明
2014/12/09 Javascript
jquery siblings获取同辈元素用法实例分析
2016/07/25 Javascript
javaScript生成支持中文带logo的二维码(jquery.qrcode.js)
2017/01/03 Javascript
微信小程序倒计时功能实例代码
2018/07/17 Javascript
使用vue开发移动端管理后台的注意事项
2019/03/07 Javascript
JavaScript实现滑动门效果
2020/01/18 Javascript
js面向对象方式实现拖拽效果
2021/03/03 Javascript
[05:36]DOTA2 2015国际邀请赛中国区预选赛第四日TOP10
2015/05/29 DOTA
Python开发编码规范
2006/09/08 Python
Python中的map()函数和reduce()函数的用法
2015/04/27 Python
Python中模块与包有相同名字的处理方法
2017/05/05 Python
老生常谈Python序列化和反序列化
2017/06/28 Python
python tensorflow基于cnn实现手写数字识别
2018/01/01 Python
Python异常处理操作实例详解
2018/05/10 Python
Python定义二叉树及4种遍历方法实例详解
2018/07/05 Python
python 5个顶级异步框架推荐
2020/09/09 Python
CSS3 渐变(Gradients)之CSS3 径向渐变
2016/07/08 HTML / CSS
Html5中的桌面通知Notification的实现
2018/09/25 HTML / CSS
澳大利亚家具和家居用品在线:BROSA
2017/11/02 全球购物
马来西亚最大的在线隐形眼镜商店:MrLens
2019/03/27 全球购物
技术总监个人的自我评价范文
2013/12/18 职场文书
师范院校学生自荐信范文
2013/12/27 职场文书
打架检讨书2000字
2014/02/22 职场文书
十佳文明家庭事迹
2014/05/25 职场文书
亚布力滑雪场导游词
2015/02/09 职场文书
员工表扬信怎么写
2015/05/05 职场文书
七一活动主持词
2015/06/29 职场文书
单位车辆管理制度
2015/08/05 职场文书
python lambda 表达式形式分析
2022/04/03 Python