Python爬虫抓取收集考试大纲

專 欄

❈

Garfield_Liang，Python中文社区专栏作者。

博客地址：http://www.jianshu.com/u/cac1d39abfa9

❈

今天做了个小玩意，但觉得挺有意思的，分享给大家。主要是这样的，因为帮妹子寻找考试资料，发现同一本书不同的章节分别在不同的链接中，复制起来实在要命，所以就在想能不能用爬虫实现。下图是我们要爬取得页面，注意看下面叫讲义的表格：

首先结合Request和BeautifulSoup来对这个主页进行处理，提取不同章节的href。在这里需要注意，我们的页面是html类型（看网址结尾）。BeautifulSoup中，网页解析器要采用lxml的话，会有半截页面解析不出来。这里使用html5lib解析器。

页面解析出来后，发现解析内容和页面的page source一样，亦即使没有采用js加载内容。通过Inspect定位链接地址，很轻易能找到以下内容，发现所有的章节都在标签为td，分类(class)为lianjie或者lianjielanse里面，章节link的在page source中的位置如图：

这个时候可以通过Beautiful里面的find_all来将符合条件的链接找出来。但同时我们看到两个class其实是有共同点的（前面都是lianjie），这样我们可以将find_all结合正则表达式来减轻我们的工作，详细说明可以看这里的搜索文档树章节。

注意，网址所列出的课程章节是有重复（时间上有更新）的，我这里省方便就没有考虑这个问题了。另外，章节表格最右下角有个空格，实际也是有自己的href的，但既然主页将它隐藏了，那么我们在挑选的时候，也将其排除。

这样就得到一个包含章节题目以及网址的dict了。后面只需要对dict里面的网址内容进行爬虫就好了。

通过Ctrl+F比较快就能定位到内容了。一开始以为这个class是一个定值，后面做循环的时候才发现不是。查看上下文，看到上面有一个class里面包含定值ArticleIntro，并且全文只有你一个，就通过你来定位（注意ArticleIntro后面那段英文也是随机的，所以这里也要用正则表达式提取）。

章节内容的page source的位置以及定位

提取出来的div中，有一些内容是我们不需要的，可以通过BeautifulSoup中的decompose命令结合children和find将他们剔除后删除。

这样就干净了。最后加入循环实现批量处理就好了。对我们的link建立循环，并且将提取出来的内容写入到html结尾的文件中，注意文件打开方式应该是'a'，因为你需要appending：

最后结果只要用浏览器打开就好了。当然，你也可以通过weasyprint将结果输出为pdf。