最近自己的测试小圈子里都在讨论爬虫,发现我装逼都困难了许多,所以决定快速补充一下这方面的东西。
到网上找了点视频,实在是看不进去(主要是对装逼没有什么帮助),然后又由于略微懒得原因就写了这个小东西。
没有封装,流水账式写法,比较简陋,各位客官(dalao)见谅。
1 # coding: utf-8
2 import requests
3 from bs4 import BeautifulSoup
4 # 定义变量,这里可以用一个
5 d = 1
6 p = 0
7 k = 0
8 Reptilian_url = []
9 Reptilian_title = []
10 # 打开session
11 s = requests.session()
12 # 伪装头部
13 h = {
14 'user-agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 UBrowser/6.2.4094.1 Safari/537.36',
15 'accept-encoding':'gzip, deflate, br'
16 }
17 # 从第1页到最大页数的url,总共有200页,这个数值也可以从页面读取
18 while d in range(200):
19 url = 'https://www.cnblogs.com/cate/python/%d'% d
20 r = s.get(url, headers=h)
21 t = r.text
22 soup = BeautifulSoup(t, 'lxml')
23 list = soup.select('div.post_item_body h3')
24 list2 = soup.find_all(attrs={'class':"titlelnk"})
25 while p < d:
26 # 把标题写入空列表
27 for z1 in list:
28 Reptilian_title.append(z1.string)
29 # 把url写入空列表
30 for u1 in list2:
31 Reptilian_url.append(u1['href'])
32 p += 1
33 d += 1
34 # 打印爬取的总数据量
35 print(len(Reptilian_title))
36 # 加入筛选条件,包含爬虫字段的帖子
37 while k < len(Reptilian_title):
38 if '爬虫' in Reptilian_title[k]:
39 print(k+1,'%s'%Reptilian_title[k],'','%s'%Reptilian_url[k])
40 print('===============================')
41 k += 1
可以给中间加一小段,写到文档里,保存下来偷偷看。
1 Reptilian = open('1.txt', 'a')
2 Reptilian.writelines(['标题:',Reptilian_title,' ','url:',Reptilian_url])
3 Reptilian.close()