【爬虫】（一）fossies.org
前言
因为毕设是基于机器学习的，所以需要大量的样本来训练模型和检验成果，因此，通过爬虫，在合法合规的情况下，爬取自己所需要的资源，在此进行记录；
本次爬取的网站是 fossies.org/windows/mis…
总的代码都会在 运行 中贴出...
再次申明：本博文仅供学习使用，请勿他用！！！
效果
image.png
image.png
观察
进入网站，看到的是比较简洁的首页：
image.png
随便点进去一个，进一步观察一下情况，发现点击之后可以直接下载，是相对比较简单的网站了；
image.png
那接下来就是开始动手写脚本了；
分析
1、先请求一下，看看是否能行；
import requests
url = 'https://fossies.org/windows/misc/'
print(requests.get(url).status_code)
# 2002、请求成功之后我们接着下一步，在浏览器中 F12 查看网页元素，观察规律；
image.png
3、这里可以通过 DOM 进行查找，也可以通过 XPATH，也可以正则，全凭个人喜好，先筛选出每个 <tr>，
import requests
from lxml import etree
url = 'https://fossies.org/windows/misc/'
html = etree.HTML(requests.get(url).text)
trs = html.xpath('//*[@id="archlist"]/table/tr')[<Element tr at 0x7fa3663fcf40>, <Element tr at 0x7fa3663fc480>, ..., <Element tr at 0x7fa365d73180>]注意，这里有个很坑爹的地方，浏览器上看到的网页内容有部分是通过 JS 动态渲染过的，因此 requests 时是没有的，比如说 tbody；
4、接下来就是从单个 <tr> 里去获取到 <a> 标签的属性了，因为 href 和文件的名字是一样的，因此只要获取一个就行；
for tr in trs:
href = tr.xpath('td/a')[0].get('href')WinSCP-5.21.3-Portable.zip
WinSCP-5.21.3-Setup.exe
WinSCP-5.21.3-Source.zip
neo4j-community-4.4.11-windows.zip
WiresharkPortable64_3.6.8.paf.exe
Wireshark-win64-3.6.8.exe
...
pdftk_free-2.02-win-setup.exe
FreeMat-4.2-Setup.exe
md5.zip
dia-setup-0.97.2-2-unsigned.exe
unz600dn.zip
unz600xn.exe
zip300xn.zip
zip300xn-x64.zip5、可以看到，文件的地址就是前缀加上刚刚获取到的 href，因此直接拼接 url 进行下载；
image.png
down_urls = []
for tr in trs:
href = tr.xpath('td/a')[0].get('href')
down_urls.append(url+href)运行
可以自行加上日志，进度条等，也可以使用协程，线程，进程来提升速度，以下是全部代码：
国外的网站，不用代理就挺慢的；
这板块现在有版权风险，不能贴全部的代码，点这里；
后记
仅仅用来记录毕设期间所爬过的网站；
本文参与 腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。
原始发表：2022-10-01，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
