【一、项目背景】
中国妖怪百集( c-china-(中国) baigui-百鬼) 现已更名为知妖。
知妖网是一个开放的在线“妖怪”资料库。致力于收集、整理、介绍、分享古人文献中的“妖怪” , 收录古文献中的“妖怪”资料,让更多的人能够完整,系统地了解中国“妖怪”文化。
今天来教大家如何使用Python来爬取知妖网的妖怪文章,分类保存,写入文档。
【二、项目目标】
创建一个文件夹, 分类保存所有妖怪文章。下载成功结果显示控制台。
【三、涉及的库和网站】
1、网址如下:
http://www.cbaigui.com/?paged={}
2、涉及的库:requests、lxml、fake_useragent、time、os
3、软件:PyCharm
【四、项目分析】
1、如何多网页请求?
首先需要解决如何对下一页的网址进行请求的问题。可以点击下一页的按钮,观察到网站的变化分别如下所示:
http://www.cbaigui.com/?paged=1
http://www.cbaigui.com/?paged=2
http://www.cbaigui.com/?paged=3
http://www.cbaigui.com/?paged=4
点击下一页时,每增加一页paged自增加1,用{}代替变换的变量,再用for循环遍历这网址,实现多个网址请求。
1)获取正常的http请求头,并在requests请求时,设置这些常规的http请求头。
2)使用 fake_useragent ,产生随机的UserAgent进行访问。
【五、项目实施】
import requests, os
from lxml import etree
from fake_useragent import UserAgent
import time
class goblin(object):
def __init__(self):
os.mkdir("妖怪") # 创建妖怪这个文件夹 记住只有第一次运行加上,如果多次运行请注释掉本行
def main(self):
pass
if __name__ == '__main__':
Siper=goblin()
Siper.main()
ua = UserAgent(verify_ssl=False)
for i in range(1, 50):
self.headers = {
'User-Agent': ua.random,
'Host': 'www.cbaigui.com',
'Referer': 'http: // www.cbaigui.com /?paged={}'
}
'''发送请求 获取响应'''
def get_page(self, url):
res = requests.get(url=url, headers=self.headers)
html = res.content.decode("utf-8")
return html
4、定义parse_page函数,获取二级页面地址,for遍历获取需要的字段。创建对应的妖怪文件夹。
parse_html = etree.HTML(html)
t = parse_html.xpath('//div[@class="post-inner post-hover"]/h2')
for i in t:
goblin_herf = i.xpath('./a/@href')[0].strip() # 二级页面链接
name = i.xpath('.//a/text()')[0].strip() # 对应文件夹的名字
os.mkdir("././妖怪/{}".format(name)) # 拼接文件夹
print(name, goblin_herf)
5、对二级页面发生请求,xpath解析数据,获取文章内容。
print(name, goblin_herf)
html2 = self.get_page(goblin_herf) # 第二个发生请求
parse_html2 = etree.HTML(html2)
r = parse_html2.xpath('//div[@class="entry"]/p/text()')
6、for遍历文章内容,文章异常处理,写入文档。
for rte in r:
# print(rte)w
try:
with open("./妖怪/{}/{}.txt".format(name, name), "a", encoding='utf-8') as f:
f.write(rte) # 把内容存储到对应名字的文件里
except OSError:
pass
continue
7、调用方法,实现功能。
url = self.url.format(page)
print(url)
html = self.get_page(url)
self.parse_page(html)
8、time模块,设置时间延迟,(防止ip被封)。
time.sleep(1) """时间延时"""
【六、效果展示】
1、点击运行,输入起始页,终止页。
2、将下载成功信息显示在控制台。
3、分类列表。
4、文章展示。
【七、总结】
1、不建议抓取太多数据,容易对服务器造成负载,浅尝辄止即可。
2、本文章就python爬取知妖网,在应用中出现的难点和重点,以及如何防止反爬,做出了相对于的解决方案。
3、希望通过这个项目,能够帮助了解xpath,字符串是如何拼接,format函数如何运用。
4、本文基于Python网络爬虫,利用爬虫库,实现分类写入文档。实现的时候,总会有各种各样的问题,切勿眼高手低,勤动手,才可以理解的更加深刻。
本文分享自 Python爬虫与数据挖掘 微信公众号,前往查看
如有侵权,请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体同步曝光计划 ,欢迎热爱写作的你一起参与!