Python爬虫学习：案例-主题列表分页抓取（5）

1. 需要获取最大页数
   
2. 分析
   最后一个li标签
   

最后一个li标签

3. 写求取最大页码的代码

    def get_max_page(self,html):
        tree = etree.HTML(html)
        pages = tree.xpath('//ol[@class="page-main"][1]/li')
        #只有一页的情况
        if len(pages) == 1:
            return 1
        #页面在最后一页时最大的页码
        last_page_test = pages[len(pages)-1].xpath('a')[0].text
        #如果页面不在最后一页
        if last_page_test == '>>':
            return int(pages[len(pages)-2].xpath('a')[0].text)
        return last_page_test

4. 代码

import re
import requests
from lxml import etree

class PostListCrawler:
    domain = "https://www.newsmth.net"

    def get_content(self,board_url,page):
        querystring = {"ajax": "", "p": str(page)}
        url = self.domain + board_url
        r = requests.get(url,params=querystring)
        return r.text

    def get_max_page(self,html):
        tree = etree.HTML(html)
        pages = tree.xpath('//ol[@class="page-main"][1]/li')
        #只有一页的情况
        if len(pages) == 1:
            return 1
        #页面没有在最后一页时最大的页码
        last_page_test = pages[len(pages)-1].xpath('a')[0].text
        #如果页面在最后一页
        if last_page_test == '>>':
            return int(pages[len(pages)-2].xpath('a')[0].text)

        return last_page_test

if __name__ == "__main__":
    plc = PostListCrawler()
    content = plc.get_content('/nForum/board/AutoWorld',1)
    print(plc.get_max_page(content))

结果：

5. 简化代码

import re
import requests
from lxml import etree

class PostListCrawler:
    domain = "https://www.newsmth.net"

    def get_content(self,board_url,page):
        querystring = {"ajax": "", "p": str(page)}
        url = self.domain + board_url
        r = requests.get(url,params=querystring)
        #方便调用
        self.html = r.text
        self.tree = etree.HTML(r.text)

    def get_max_page(self):
        tree = etree.HTML(self.html)
        pages = self.tree.xpath('//ol[@class="page-main"][1]/li')
        #只有一页的情况
        if len(pages) == 1:
            return 1
        #页面没有在最后一页时最大的页码
        last_page_test = pages[len(pages)-1].xpath('a')[0].text
        #如果页面在最后一页
        if last_page_test == '>>':
            return int(pages[len(pages)-2].xpath('a')[0].text)

        return last_page_test

if __name__ == "__main__":
    plc = PostListCrawler()
    content = plc.get_content('/nForum/board/AutoWorld',1)
    print(plc.get_max_page())