Python爬虫实战：爬取太平洋网络相机文章-CSDN博客

本文链接：https://blog.csdn.net/FLK_9090/article/details/136902330

引言

本文介绍了使用Python编写的爬虫程序，通过爬取太平洋网络上的相机文章，获取相关信息并展示结果。文章详细介绍了爬虫程序的实现过程，包括使用Selenium模拟浏览器操作、使用BeautifulSoup解析网页内容等。通过阅读本文，可以了解到如何利用爬虫技术获取网络上的有用信息

在互联网时代，获取网络上的信息变得越来越重要。而爬虫技术作为一种有效的信息获取方式，被广泛应用于各个领域。本文将介绍一种使用Python编写的爬虫程序，通过爬取太平洋网络上的相机文章，获取相关信息并展示结果。

准备工作

本程序使用Python编程语言，并依赖于一些第三方库，包括：

bag
selenium
tqdm
requests
beautifulsoup4

完整代码

#!/usr/bin/env python3
# coding:utf-8
import bag
from selenium.webdriver.common.by import By
from tqdm import tqdm
import requests
from bs4 import BeautifulSoup
import re
import urllib3

urllib3.disable_warnings()
all_data_url = []
end = []


def main():
    base_url = r'https://dc.pconline.com.cn/hangqing/'
    web = bag.Bag.web_no_pic()
    urls = get_page_url(base_url)
    print(urls)
    for url in tqdm(urls):
        get_data_url(web, url)

    for link in tqdm(all_data_url[:2]):
        data = get_data(link)
        print(data)


def get_page_url(url):
    urls = []
    for i in range(2):  # 获取页数
        if i < 1:
            urls.append(url)
        else:
            urls.append(url + 'index_{}.html'.format(i + 1))
    return urls


def get_data_url(web, url):
    web.get(url)
    web.implicitly_wait(1)
    links = web.find_elements(By.XPATH, r'//*[@id="Jlis"]/li/a')
    for link in links:
        all_data_url.append(link.get_attribute('href'))


def get_data(url):
    result = []
    headers = {
        'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/37.0.2062.124 Safari/537.36'
    }
    resp = requests.get(url, headers=headers)
    resp.encoding = 'gb2312'
    resp.close()
    html = BeautifulSoup(resp.text, 'lxml')

    info = []
    title = re.compile(r'<h1>(.*?)</h1>', re.S)
    soup = html.find_all('div', class_="art-hd")
    for i in re.findall(title, str(soup)):
        info.append(i)

    info1 = []
    content = re.compile(r'<p>(.*?)</p>', re.S)
    soup1 = html.find_all('div', class_="content")
    for i in re.findall(content, str(soup1)):
        info1.append(re.sub(r'<.*?>', '', i))

    info2 = []
    brand = re.compile(r'<span class="mark">.*?<a.*?>(.*?)</a>.*?</span>', re.S)
    soup2 = html.find_all('div', class_="nav nav-a")
    for i in re.findall(brand, str(soup2)):
        info2.append(i)
    result.extend([
        info2,
        info,
        info1,
        url
    ])
    return result


if __name__ == '__main__':
    main()

解析：

首先，我们定义了一个main函数，作为程序的入口。在main函数中，我们首先定义了要爬取的网页的基础URL，然后创建一个浏览器对象web，并调用get_page_url函数获取要爬取的页面URL列表。接着，我们遍历页面URL列表，调用get_data_url函数获取每个页面中的文章链接，并将其存储在all_data_url列表中。最后，我们遍历all_data_url列表，调用get_data函数获取每篇文章的相关信息

接下来，我们来看一下具体的实现细节。在get_page_url函数中，我们通过循环获取太平洋网络相机文章的多个页面的URL，并将其存储在urls列表中。在get_data_url函数中，我们使用Selenium模拟浏览器操作，获取每个页面中的文章链接，并将其存储在all_data_url列表中。在get_data函数中，我们使用requests库发送HTTP请求，获取每篇文章的网页内容，并使用BeautifulSoup解析HTML，提取出文章的标题、内容和品牌信息，并将结果存储在result列表中。

最后，我们调用main函数，执行爬虫程序。程序将按照以下步骤进行操作：首先，获取太平洋网络相机文章的页面URL列表；然后，遍历页面URL列表，获取每个页面中的文章链接；接着，遍历文章链接列表，获取每篇文章的相关信息；最后，打印结果