定向爬虫实现起来比较简单,也比较容易理解
难搞的是Xpath语句我觉得写的明明是对的,然后返回结果为空,一直谷歌,一直找原因,最后妥协了,还是copy比较好用(手动狗头)。
直接上代码吧,也没有什么特别的东西,大多东西都写在注释里了
import requests
import lxml.etree # 最终选用etree
import lxml.html # 因为就返回结果为空,试了两种方法的对象构造
import csv
# 程序开头先定义网址
url = 'http://www.fkzww.com/Book/ShowBookTop.aspx'
def req(url):
# 获取网页源码,编码
html = requests.get(url).content.decode("gbk")
# etree.HTML转化为xpath可以识别的对象
selector = lxml.etree.HTML(html)
# 先抓大在抓小的原则,先把整个信息节点都抓出来
content_file = selector.xpath('//*[@id="CrListText"]')
# 因为抓取出来是list[],且只有一个元素,急用索引提取出来
content_file = content_file[0]
book_list = []
book_cate = content_file.xpath('//ul/li[@class="li2"]/a/text()')
book_name = content_file.xpath('//ul/li[@class="li3"]/a/font/text()')
book_time = content_file.xpath('//ul/li[@class="li5"]/text()')
book_time.pop(0) # 因为多爬了头标识,用pop方法删去
book_write = content_file.xpath('//ul/li[@class="li6"]/a/text()')
book_num = content_file.xpath('//ul/li[@class="li8"]/text()')
book_num.pop(0)
for i in range(len(book_name)):
book_dict = {
"作品类型": book_cate[i],
"作品名字": book_name[i],
"更新时间": book_time[i],
"作家": book_write[i],
"点击总榜": book_num[i]
}
book_list.append(book_dict)
return book_list
def Write(book_list):
# 使用csv写入文件
with open("小说排行榜.csv", 'w', encoding='gbk') as f:
writer = csv.DictWriter(f, fieldnames=[
"作品类型", '作品名字', '更新时间', '作家', '点击总榜'
])
writer.writeheader()
writer.writerows(book_list)
if __name__ == '__main__':
Write(req(url))
最后结果正常,如果windows系统可以用Excel正常打开,如果linux需要改下Write函数下的编码方式,将编码 encoding的值改为’utf-8‘