Python爬虫入门教程 9-100 河北阳光理政投诉板块

原创

梦想橡皮擦

发布于 2019-02-15 08:26:06

7850

发布于 2019-02-15 08:26:06

文章被收录于专栏：Python3爬虫100例教程

写在前面

之前几篇文章都是在写图片相关的爬虫，今天写个留言板爬出，为另一套数据分析案例的教程做做准备，作为一个河北人，遵纪守法，有事投诉是必备的技能，那么咱看看我们大河北人都因为什么投诉过呢？

今天要爬取的网站地址 http://yglz.tousu.hebnews.cn/l-1001-5-，一遍爬取一遍嘀咕，别因为爬这个网站在去喝茶，再次声明，学习目的，切勿把人家网站爬瘫痪了。

开始撸代码

今天再次尝试使用一个新的模块 lxml ，它可以配合xpath快速解析HTML文档，官网网站 https://lxml.de/index.html

利用pip安装lxml，如果安装失败，可以在搜索引擎多搜搜，内容很多，100%有解决方案。

pip install lxml

废话不多说，直接通过requests模块获取百度首页，然后用lxml进行解析

import requests
from lxml import etree  # 从lxml中导入etree

response = requests.get("http://www.baidu.com")
html = response.content.decode("utf-8")
tree=etree.HTML(html)  # 解析html

print(tree)

当你打印的内容为下图所示，你就接近成功了！

下面就是配合xpath 语法获取网页元素了，关于xpath 这个你也可以自行去学习，非常简单，搜索一下全都是资料，咱就不讲了。

通过xpath我们进行下一步的操作，代码注释可以多看一下。

tree=etree.HTML(html)  # 解析html
hrefs = tree.xpath('//a')  #通过xpath获取所有的a元素
# 注意网页中有很多的a标签，所以获取到的是一个数组，那么我们需要用循环进行操作
for href in hrefs:
    print(href)

打印结果如下

<Element a at 0x1cf64252408>

<Element a at 0x1cf642523c8>

<Element a at 0x1cf64252288>

<Element a at 0x1cf64252308>

<Element a at 0x1cf64285708>

<Element a at 0x1cf642aa108>

<Element a at 0x1cf642aa0c8>

<Element a at 0x1cf642aa148>

<Element a at 0x1cf642aa048>

<Element a at 0x1cf64285848>

<Element a at 0x1cf642aa188>

在使用xpath配合lxml中，记住只要输出上述内容，就代表获取到东西了，当然这个不一定是你需要的，不过代码至少是没有错误的。

继续编写代码

# 注意网页中有很多的a标签，所以获取到的是一个数组，那么我们需要用循环进行操作
for href in hrefs:
    print(href)
    print(href.get("href")) # 获取html元素属性
    print(href.text)  # 获取a标签内部文字

输出结果

<Element a at 0x1c7b76c2408>
http://news.baidu.com
新闻
<Element a at 0x1c7b76c23c8>
http://www.hao123.com
hao123
<Element a at 0x1c7b76c2288>
http://map.baidu.com
地图
<Element a at 0x1c7b76c2308>
http://v.baidu.com
视频
<Element a at 0x1c7b76f5708>
http://tieba.baidu.com
贴吧

现在你已经看到，我们已经获取到了百度首页的所有a标签，并且获取到了a标签的href属性和a标签的文字。有这些内容，你就能很容易的去获取我们的目标网站了。

爬取投诉数据

找到我们的目标网页，结果发现，出事情了，页面竟然是用aspx动态生成的，技术你就不需要研究了，总之，碰到了一个比较小的问题。

首先，点击下一页的时候，页面是局部刷新的

刷新的同时，捕获了一下发送的请求，是post方式，这个需要留意一下，最要紧的是下面第2张图片和第3张图片。

这张图片中的viewstate

这张图片也有一些奇怪的参数

这些参数都是典型的动态网页参数。

解决这个问题，还要从源头抓起！

打开我们要爬取的首页http://yglz.tousu.hebnews.cn/l-1001-5- 第1点需要确定，post的地址经过分析就是这个页面。

所以这段代码是必备的了，注意下面的post

response = requests.post("http://yglz.tousu.hebnews.cn/l-1001-5-")
html = response.content.decode("utf-8")

右键查看源码之后，发现源码中有一些比较重要的隐藏域 里面获取就是我们要的必备信息

没错，这些内容，我们想办法获取到就可以了

基本步骤

获取源码
lxml通过xpath解析隐藏域，取值

import requests
from lxml import etree  # 从lxml中导入etree
try:
    response = requests.post("http://yglz.tousu.hebnews.cn/l-1001-5-")
    html = response.content.decode("utf-8")
except Exception as e:
    print(e)

tree=etree.HTML(html)  # 解析html
hids = tree.xpath('//input[@type="hidden"]')  # 获取隐藏域

# 声明一个字典，用来存储后面的数据
common_param = {}
# 循环取值
for ipt in hids:
    common_param.update({ipt.get("name"):ipt.get("value")})  # 这个地方可以分开写，应该会很清楚，我就不写了，总之，就是把上面获取到的隐藏域的name属性和value属性都获取到了

上面的代码写完之后，其实已经完成了，非常核心的内容了，后面就是继续爬取了

我们按照post要的参数补充完整其他的参数即可

import requests
from lxml import etree  # 从lxml中导入etree

try:
    response = requests.post("http://yglz.tousu.hebnews.cn/l-1001-5-")
    html = response.content.decode("utf-8")
except Exception as e:
    print(e)

tree=etree.HTML(html)  # 解析html

hids = tree.xpath('//input[@type="hidden"]')
common_param = {}
for ipt in hids:
    common_param.update({ipt.get("name"):ipt.get("value")})

##############################################################
for i in range(1,691):
    common_param.update({"__CALLBACKPARAM":f"Load|*|{i}",  # 注意这个地方，由于我直接看到了总共有690页数据，所以直接写死了循环次数
                       "__CALLBACKID": "__Page",
                       "__EVENTTARGET":"",
                       "__EVENTARGUMENT":""})

到这一步，就可以抓取真实的数据了，我在下面的代码中最关键的一些地方加上注释，希望你能看懂

for i in range(1,691):
    common_param.update({"__CALLBACKPARAM":f"Load|*|{i}",
                       "__CALLBACKID": "__Page",
                       "__EVENTTARGET":"",
                       "__EVENTARGUMENT":""})


    response = requests.post("http://yglz.tousu.hebnews.cn/l-1001-5-",data=common_param,headers=headers)
    html = response.content.decode("utf-8")
    print("*"*200)

    tree = etree.HTML(html)  # 解析html
    divs = tree.xpath('//div[@class="listcon"]')  # 解析列表区域div
    for div in divs:  # 循环这个区域
        try:
        	# 注意下面是通过div去进行的xpath查找，同时加上try方式报错
            shouli = div.xpath('span[1]/p/a/text()')[0]  # 受理单位
            type = div.xpath('span[2]/p/text()')[0].replace("\n","")  # 投诉类型
            content = div.xpath('span[3]/p/a/text()')[0]  # 投诉内容
            datetime = div.xpath('span[4]/p/text()')[0].replace("\n","")  # 时间
            status = div.xpath('span[6]/p/text()')[0].replace("\n","")  # 时间
            one_data = {"shouli":shouli,
                        "type":type,
                        "content":content,
                        "datetime":datetime,
                        "status":status,
                        }
            print(one_data)  # 打印数据，方便存储到mongodb里面
            
        except Exception as e:
            print("内部数据报错")
            print(div)
            continue

代码完成，非常爽