爬虫—美食天下各类菜谱的菜单信息

文章仅用于学习,请勿肆意的爬取网站信息,作为非法用途
文章仅用于学习,请勿肆意的爬取网站信息,作为非法用途
文章仅用于学习,请勿肆意的爬取网站信息,作为非法用途

效果图
在这里插入图片描述
在这里插入图片描述
源码

import csv
import os
import random

import requests
from lxml import etree

# 请求头
head = ['Mozilla/5.0', 'Chrome/78.0.3904.97', 'Safari/537.36']
headers = {
    'user-agent': head[random.randint(0, 2)]
}


def makedir(path):
    path = path.strip()
    # 去除尾部 \ 符号
    path = path.rstrip("\\")
    if not os.path.exists(path):
        os.mkdir(path)
        return True
    else:
        return False


def getHtml(url):
    try:
        response = requests.request("GET", url=url, headers=headers)
        if response.status_code == 200:
            response.encoding = 'utf-8'
            return response.text
        else:
            return response.status_code
    except Exception as e:
        return e


def htmlToTree(html):
    return etree.HTML(html)


def elementToString(element):
    return etree.tostring(element, pretty_print=True, encoding='utf-8').decode('utf-8')


def parseHtml(html):
    allcategory = []
    tree = htmlToTree(html)
    path = '//div[@class="wrap"]//div[@class="category_box mt20"]/div[@class="category_sub clear"]'
    data = tree.xpath(path)
    for item in data:
        category_list = []
        div = elementToString(item)
        div_tree = htmlToTree(div)
        category = div_tree.xpath('//h3/text()')[0]
        category_name = div_tree.xpath('//ul/li/a/text()')
        category_url = div_tree.xpath('//ul/li/a/@href')
        category_list.append(category)
        category_list.append(dict(zip(category_name, category_url)))
        allcategory.append(category_list)
    return allcategory


def writerCsv(food_list, category_name, name):
    try:
        title = [key for key in food_list[0].keys()]  # 表头的代码去掉
        if '/' in name or category_name:
            name = name.replace('/', '')
            category_name = category_name.replace('/', '')
        path = os.path.join(os.getcwd() + '\\source\\{0}'.format(category_name))
        flag = makedir(path)
		csvdata = open('source/{0}/{1}.csv'.format(category_name, name), 'a', encoding='utf-8')
        dictwriter = csv.DictWriter(csvdata, fieldnames=title)
        dictwriter.writeheader()
        # for data in food_dict:
        #     dictWriter.writerow(data)
        dictwriter.writerows(food_list)
        csvdata.close()
        return True
    except Exception as e:
        return False


def parseRecipe(html, category_name, name):
    tree = htmlToTree(html)
    path = '//div[@class="wrap"]//div[@id="J_list"]/ul/li'
    data = tree.xpath(path)
    food_list = []
    if data is not None and data != []:
        for item in data[0:1]:
            food_dict = {}
            li = elementToString(item)
            li_tree = htmlToTree(li)
            food_name = li_tree.xpath('//div[@class="pic"]/a/@title')[0]
            food_detailUrl = li_tree.xpath('//div[@class="pic"]/a/@href')[0]
            food_content = str(
                li_tree.xpath('//div[@class="detail"]/p[@class="subcontent"]/text()')[0])[3:-1]
            food_dict["菜名"] = food_name
            food_dict["详情链接"] = food_detailUrl
            food_dict["原料"] = food_content
            food_list.append(food_dict)
    res = writerCsv(food_list, category_name, name)
    return res


def getRecipePerCate(data):
    res = bool()
    for items in data[:4]:
        category_name = items[0]
        for name, url in items[1].items():
            html = getHtml(url)
            res = parseRecipe(html, category_name, name)
    if res:
        return "写入成功"
    else:
        return "写入失败"


if __name__ == '__main__':
    url = 'https://home.meishichina.com/recipe-type.html'
    data = parseHtml(getHtml(url))
    res = getRecipePerCate(data)
    print(res)

  • 2
    点赞
  • 15
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。
评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值