这是作者第一次写博客,对一个小白来说,写博客的目的是简单的,那就是记录下自己学习的过程,帮助自己回忆所学。也许多年后回首,看着这些曾经的博客,回想下自己的初心,也是极不错的。
由于作者是浙江考生,有点python基础,所以话不多说,直接开始复盘第一次学习的过程。
一.准备
pip install requests
pip install lxml
pip install os
前两个库对于我们初学者说是非常方便的,也比较好理解。第三个库算是可有可无,如果你不想手动创建文件夹,可以使用这个库。
import os
n = input("请输入要创建的文件夹:")
new_path = r'C://Users/asus/Desktop/'+str(n)
if os.path.exists(new_path):
print("该文件夹已存在!")
else:
os.mkdir(r'C://Users/asus/Desktop/'+str(n))
print("创建成功!")
以上代码是一段判断存在和创建文件夹的简单代码,当然复制的时候记得修改路径。
P.S:python代码其实很好记,基本就是你知道这个单词的意思,就知道这段语句大致是什么用。比如说 os.path.exists 直译就是路径上存在,显然就是判断文件夹是否存在。 再比如说 os.mkdir 把函数名拆开,mk不就是make,dir不就是directory,合起来就是创造文件。
二.框架
import request
from lxml import etree
# 导包
url = '' # 输入要爬取的网页
headers = {
'User-Agent': '' # 输入浏览器的代理
}
params = {} # 输入需要请求的网页的负载
response = requests.get(url=url, headers=headers, parama=params) # 用get方法对目标发起请求
res = response.text # 获取网页源码
tree = etree.HTMl(res) # 将获取的源码转化为_Element对象
element = xpath('') # 通过xpath筛选出所需要的代码信息
这个框架是最基本的,只适用于简单网页的爬取。现在大部分的主流网站都不可能会让你轻易的获取他的信息,会设置有各种反爬措施。
就比如说某安吧,源码里明晃晃的摆明了告诉你,有反爬措施。当然,某安的反爬措施还算蛮友好的。设置个cookie就能爬取。哎,不扯别的了,接着复盘。哦,再提一嘴儿,不习惯xpath的可以选择去用beautifulsoup或者选择正则表达式,总之方法很多,适合自己最好。当然作者后续可能会写一点关于这两个库的实战使用。
三.实战前夜
1.kfc名称+地址的获取
以下是kfc的官网地址
url = 'http://www.kfc.com.cn/kfccda/index.aspx'
然后在网页最下方的导航栏点击餐厅查询
进入以下界面后,在搜索框随意输入想要查询地区的名字。比如我输入的是宁波,会跳出以下信息,餐厅名称和餐厅地址就是我们所需要爬取的信息
接着鼠标右键网页点击查看网页源代码,或者按快捷键Ctrl+U,或者按F12查看源码。在跳出来的界面找到网络选项点击,有的浏览器可能是一个WiFi的标识。
接着会出现以下界面,然后直接刷新网页。
然后你会看到一堆构成网页的元素
然后点击清除网络日志,快捷键是Ctrl+L,这样更方便看到新接收的文件信息
然后再次在搜索框里输入宁波,点击搜索,就会看到接收到以下文件,点击
点击后可以发现,要爬取的网页的路径就是这个请求URL,请求的方式是POST,请求标头可接受的是text和json,以及代理的名称,每个人的代理可能都不一样,
接着点击负载
这些参数就是要写入params的参数,写入的方式为字典
okey,有了以上信息,我们就可以请求得到网页源码了,代码如下
url = 'http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML,
'like Gecko) Chrome/116.0.0.0 Sa'
'fari/537.36 Edg/116.0.1938.76'
}
params = {
'cname': '',
'pid': '',
'keyword': '宁波',
'pageIndex': '1',
'pageSize': '10'
}
res = requests.post(url=url, headers=headers, params=params).json()
print(res)
运行后结果如下 可以看到我们请求后得到的是一个字典,既然是字典我们就可以直接进行数据处理,而不用使用xpath获取对应代码了
既然我们已经能够获取第一页的内容,那么我们该如何实现自动翻页呢?其实很简单,只要用for循环,修改params里的pageIndex的键值即可
另外,我们可以使用time这个库来缓冲,防止点击过于频繁导致封IP
完整代码如下
import requests
import time
url = 'http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML,
'like Gecko) Chrome/116.0.0.0 Safari/537.36 Edg/116.0.1938.76'
}
a = input()
for i in range(1, 2):
params = {
'cname': '',
'pid': '',
'keyword': str(a),
'pageIndex': str(i),
'pageSize': '10'
}
res = requests.post(url=url, headers=headers, params=params).json()
print(res)
a = res["Table"]
print(a[0]['rowcount'])
b = res['Table1']
for j in b:
print('商店名称:' + j['storeName'] + '商店地址:' + j['addressDetail'])
time.sleep(2)
2.xpath的运用
这里我就介绍一下xpath路径的获取方法,其他不做过多介绍
比如说我要获取按省份这三个字
我们可以用 这个工具点击按省份三字,就会自动在源码里标出这三个字所在的区块
接着鼠标右击这一行源码,再点击复制
选择复制Xpath即可获取
[//*[@id="container"]/div[1]/div[2]/div/div[1]/div[1]/div/div[1]/a[1]]
div[1]代表第一个区块,在html源码里,索引的第一位是而不是0
但是这仅仅是定位到按省份这三字的区块位置,想要得到这三字还需要在后面加上text()
[//*[@id="container"]/div[1]/div[2]/div/div[1]/div[1]/div/div[1]/a[1]/text()]
这样就可以获取到了
那么如果我们想要获取的不是文本,而是里面的网址呢
我们可以这样写,定位操作和上面一样
[//*[@id="container"]/div[1]/div[2]/div/div[1]/div[1]/div/a/@href]
四.爬取豆瓣小说实战
import requests
import time
from lxml import etree
import os
import csv
from fake_useragent import UserAgent
url = 'https://book.douban.com/tag/%E5%B0%8F%E8%AF%B4'
headers = {
'User-Agent': str(f'{UserAgent().random}')
}
def get_text(n):
params = {
'start': str(n * 20),
'type': 'T'
}
res = requests.get(url=url, headers=headers, params=params).text
print("第" + str(n+1) + "页获取成功")
return res
def set_dic(): # 新建文件夹
n = input("请输入要创建的文件夹:")
new_path = r'C:/Users/27652/Desktop/' + str(n)
if os.path.exists(new_path):
print("该文件夹已存在!")
else:
os.mkdir(r'C:/Users/27652/Desktop/' + str(n))
print("创建成功!")
return new_path
def standing_format(a): # 修正格式
for i in range(len(a)):
if '\n' in str(a[i]):
a[i] = str(a[i]).replace('\n', '')
if ' ' in str(a[i]):
a[i] = str(a[i]).replace(' ', '')
return a
def write_img(u, n):
for x in range(0, len(u)):
img_url = str(u[x])
img_name = n[x]
r = requests.get(url=img_url, headers=headers).content
with open(str(path) + '/' + img_name + '.jpg', 'wb+') as fp:
fp.write(r)
print(img_name + '爬取成功!')
def write_csv(s):
with open('novel', 'w', newline='', encoding='utf-8_sig') as f:
writer = csv.DictWriter(f, fieldnames=['name', 'detail', 'score', 'content', 'price'])
writer.writeheader()
writer.writerows(s)
print("写入完成!")
def get_item(source):
tree = etree.HTML(source)
book_list = []
book_dict = {}
url1 = tree.xpath('//ul[@class = "subject-list"]/li/div[@class = "pic"]/a/img/@src') # 获取一整页图片的路径
name = tree.xpath('//ul[@class = "subject-list"]/li/div[@class = "info"]/h2/a/text()') # 获取一整页书名
detail = tree.xpath('//ul[@class = "subject-list"]/li/div[@class = "info"]/div[@class = "pub"]/text()')
# 获取详细信息
score = tree.xpath('//ul[@class = "subject-list"]/li/div[@class = "info"]/div["star clearfix"]/span/text()'
) # 获取评分
content = tree.xpath('//ul[@class = "subject-list"]/li/div[@class = "info"]/p/text()') # 获取内容
price = tree.xpath('//ul[@class = "subject-list"]/li/div[@class = "info"]/div[@class = "ft"]/div'
'[@class = "cart-actions"]/span/a/text()') # 获取价格
time.sleep(2)
book_dict['name'] = standing_format(name)
book_dict['img'] = standing_format(url1)
book_dict['detail'] = standing_format(detail)
book_dict['score'] = standing_format(score)
book_dict['content'] = standing_format(content)
book_dict['price'] = standing_format(price)
book_list.append(book_dict)
return book_list
if __name__ == '__main__':
path = set_dic()
Number = int(input("请输入要获取前几页:"))
Book_list = []
for y in range(Number):
Source = get_text(y)
new_Book_list = get_item(Source)
# print(Book_list)
Book_list += new_Book_list
# print(Book_list)
# print(Book_list)
new_list = []
b = Book_list # 遍历Book_List
for i in range(Number):
write_img(b[i]['img'], b[i]['name'])
for j in range(len(Book_list[i]['price'])):
Dict = {'name': b[i]['name'][j], 'detail': b[i]['detail'][j], 'score': b[i]['score'][j],
'content': b[i]['content'][j], 'price': b[i]['price'][j]}
new_list.append(Dict)
print(new_list)
write_csv(new_list)
以上使用了fake_useagent库,这个库还是蛮好用的,可以随机获取一个代理。
五.总结
这篇文章最后的代码呢是作者第一次接触爬虫后写的,如果有错误欢迎大家指正。说一下遇到的困难吧,虽然有些已经记不大清楚了。这篇代码我可以说是写了蛮久的,大概有三四天,我考虑过是否是自己太愚笨,但其实不然。我想除了真的天赋异禀的人之外,大部分人可能都和我一样,会改了又改。写代码过程中呢,xpath的路径卡了我还是蛮久的,因为当时我还不知道可以直接复制,一直在自己写,一直出错。还有就是用函数封装,我个人是先把主体写好,再用函数封装,虽然耗的时间多,但胜在封装的时候不会出错。还有就是写入csv吧,找了教程试了半个多小时才搞定。嗯,大致就这些吧。
还有些题外话想说,作者是大一新生,加入了工作室,上了课,但是半个学期来我的感受是编程还是蛮吃自学的,因为课上的时间毕竟有限,很多时候教你的只是想让你知道有这么个东西,真正该怎么用还是得靠自己慢慢上机磨。好了,大致就这么多。