博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
爬虫(一)爬取鱼c淘贴信息
阅读量:5222 次
发布时间:2019-06-14

本文共 1906 字,大约阅读时间需要 6 分钟。

掏出了以前的小练习;

现在开始,每天复习下以前的爬虫练习,争取发现新的问题和可以优化的地方。

# -*- coding:utf-8 -*-import requestsimport chardetimport csvfrom lxml import etreeimport redef get_page(url):    user_agent = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0'    header = {
'User-Agent':user_agent} r = requests.get(url,headers=header) r.encoding = chardet.detect(r.content)['encoding'] page = r.text return pagedef parse_data(page): result = [] html = etree.HTML(page) next_url = html.xpath('//a[@class="nxt"]/@href') if len(next_url) > 0: next_url = next_url[0] print(next_url) sites = html.xpath('//*[@class="xld xlda cl"]') for site in sites: title = site.xpath('.//a[@class="xi2"]/text()')[0] author = site.xpath('.//p[@class="xg1"]/a/text()')[0] theme = site.xpath('.//strong[@class="xi2"]/text()')[0] r = site.xpath('./dl/dd[2]/p[2]/text()')[0] sub_num,com_num =r.split(',') com_num = com_num.strip() sub_num = sub_num.strip() content = (title,author,theme,sub_num,com_num) result.append(content) return result,next_urldef main(): url = 'http://bbs.fishc.org/forum.php?mod=collection' results = [] page = get_page(url) result,next_url = parse_data(page) results.extend(result) q = True while q: if next_url: page = get_page(next_url) result,next_url = parse_data(page) results.extend(result) else: q = False headers = ['title','author','theme','sub_num','com_num'] with open(r'taotie.csv','w',encoding = 'utf-8') as f: f_csv = csv.writer(f) f_csv.writerow(headers) try: f_csv.writerows(results) except UnicodeDecodeError as e: print(e) if __name__ =="__main__": main()

 

转载于:https://www.cnblogs.com/Alexisbusyblog/p/9343875.html

你可能感兴趣的文章
Codeforces Round #361 (Div. 2)
查看>>
细说WebSocket - Node篇
查看>>
[洛谷1485] 火枪打怪
查看>>
Extjs控件之 grid打印功能
查看>>
枚举类型(不常用)递归
查看>>
minggw 安装
查看>>
Jquery操作cookie,实现简单的记住用户名的操作
查看>>
[BZOJ1196][HNOI2006]公路修建问题 二分答案+最小生成树
查看>>
【原创】大数据基础之Zookeeper(4)应用场景
查看>>
静态变量数组实现LRU算法
查看>>
中文系统 上传file的input显示英文
查看>>
比callback更简洁的链式执行promise
查看>>
android permission
查看>>
【译】在Asp.Net中操作PDF - iTextSharp - 使用字体
查看>>
事务备份还原分离附加
查看>>
.net 文本框只允许输入XX,(正则表达式)
查看>>
[BSGS][哈希]luogu P3846 可爱的质数
查看>>
Python 第四十五章 MySQL 内容回顾
查看>>
iostat参数说明
查看>>
Python-Mac 安装 PyQt4
查看>>