python3 [入门基础实战] 爬虫入门之xpath爬取脚本之家python栏目

这次爬取的确实有些坎坷，经过了两个晚上吧，最后一个晚上还是爬取数据到最后一公里了，突然报错了。又得继续重新进行爬取

---

先来个爬取结果图，这次爬取的是标题，url，还有日期，估计也就只有这么多内容，用的单线程，

爬取结果：

爬取的过程很蛋疼，最后是昨天晚上爬取出来的，下次争取不用单线程进行任务了。

先来份代码：

# -*- coding: UTF-8 -*-
import threading  # 导入threading包
from lxml import etree
import requests
import re
import chardet
from  openpyxl import Workbook
import time
# 脚本之家

baseUrl = 'http://www.jb51.net/list/list_97_1.htm'

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.2372.400 QQBrowser/9.5.10548.400'

}

pageNum = 1  # 用来计算爬取的页数
wb = Workbook()
ws = wb.active
ws.title = '脚本之家脚本python专栏'
ws.cell(row=1, column=1).value = '标题'
ws.cell(row=1, column=2).value = '链接'
ws.cell(row=1, column=3).value = '日期'


def getHtml(url):
    req = requests.get(url, headers)
    # print('html:'+req.text.encode(req.encoding).decode('gb2312'))
    return req.text.encode(req.encoding).decode('gb2312')


def etreeMyHtml(html):
    global pageNum
    print('******' * 40)
    html = etree.HTML(html)
    result = etree.tostring(html, pretty_print=True, encoding='gb2312')

    # 因为每页有四十页
    for page in range(1, 41):
        # 标题
        title = html.xpath('//*[@id="contents"]/div/div[1]/div/div[3]/dl/dt[%s]/a/text()' % page)
        # 日期
        timeData = html.xpath('//*[@id="contents"]/div/div[1]/div/div[3]/dl/dt[%s]/span/text()' % page)
        # 链接(因为用的是相对链接，所以要加上：http://www.jb51.net)
        nextUrl = html.xpath('//*[@id="contents"]/div/div[1]/div/div[3]/dl/dt[%s]/a/@href' % page)
        print('str1=== ' + str(title[0]))
        print('timeData=== ' + str(timeData[0]))
        nextUrl = 'http://www.jb51.net' + nextUrl[0]
        print('nextUrl=== ' + str(nextUrl))
        # ver_info = list(zip(title[0],nextUrl,timeData[0]))
        pageNum = pageNum + 1
        ws.cell(row=pageNum, column=1).value = title[0]
        ws.cell(row=pageNum, column=2).value = nextUrl
        ws.cell(row=pageNum, column=3).value = timeData[0]


# print('中文')
# data = getHtml(baseUrl)
# etreeMyHtml(data)
# print('中文')


def start(page1,page2):
    try:
        for i in range(page1, page2):
            mUrl = 'http://www.jb51.net/list/list_97_%s.htm' % i
            print('url ' + mUrl)
            data = getHtml(mUrl)
            etreeMyHtml(data)
    except:
        print('error '+i)
    finally:
        wb.save('脚本之家脚本python专栏' + '.xlsx')


def task1():
    print('task1 start...')
    start(1,71)
def task2():
    print('task2  init...')
    start(71,153)

# print("多线程：")
# starttime = time.time();  # 记录开始时间
# threads = []  # 创建一个线程列表，用于存放需要执行的子线程
# t1 = threading.Thread(target=task1)  # 创建第一个子线程，子线程的任务是调用task1函数，注意函数名后不能有（）
# threads.append(t1)  # 将这个子线程添加到线程列表中
# t2 = threading.Thread(target=task2)  # 创建第二个子线程
# threads.append(t2)  # 将这个子线程添加到线程列表中
#
# for t in threads:  # 遍历线程列表
#     t.setDaemon(True)  # 将线程声明为守护线程，必须在start() 方法调用之前设置，如果不设置为守护线程程序会被无限挂起
#     t.start()  # 启动子线程
# endtime = time.time();  # 记录程序结束时间
# totaltime = endtime - starttime;  # 计算程序执行耗时
# print("耗时：{0:.5f}秒".format(totaltime));  # 格式输出耗时
# print('---------------------------')

# 以下为普通的单线程执行过程，不需解释
print("单线程：")
starttime = time.time();
start(1,153)
endtime = time.time();
totaltime = endtime - starttime;
print("耗时：{0:.5f}秒".format(totaltime));

总结一下：

遇到的坑：脚本之家的编码是gb2312，首次使用xpath，用完感觉还不错，比正则耗时少了，主要是直接浏览器F2，然后选中元素右键copy->xpath 就可以了， 而且上一篇文章写的很清楚，也比较容易入门

1. 得到源网页:

def getHtml(url):
    req = requests.get(url, headers)
    # print('html:'+req.text.encode(req.encoding).decode('gb2312'))
    return req.text.encode(req.encoding).decode('gb2312')

• 通过xpath进行相应的数据进行解析

def etreeMyHtml(html):
    global pageNum
    print('******' * 40)
    html = etree.HTML(html)
    # result = etree.tostring(html, pretty_print=True, encoding='gb2312')

    # 因为每页有四十页
    for page in range(1, 41):
        # 标题
        title = html.xpath('//*[@id="contents"]/div/div[1]/div/div[3]/dl/dt[%s]/a/text()' % page)
        # 日期
        timeData = html.xpath('//*[@id="contents"]/div/div[1]/div/div[3]/dl/dt[%s]/span/text()' % page)
        # 链接(因为用的是相对链接，所以要加上：http://www.jb51.net)
        nextUrl = html.xpath('//*[@id="contents"]/div/div[1]/div/div[3]/dl/dt[%s]/a/@href' % page)
        print('str1=== ' + str(title[0]))
        print('timeData=== ' + str(timeData[0]))
        nextUrl = 'http://www.jb51.net' + nextUrl[0]
        print('nextUrl=== ' + str(nextUrl))
        # ver_info = list(zip(title[0],nextUrl,timeData[0]))
        pageNum = pageNum + 1
        ws.cell(row=pageNum, column=1).value = title[0]
        ws.cell(row=pageNum, column=2).value = nextUrl
        ws.cell(row=pageNum, column=3).value = timeData[0]

• 使用try except finaly 进行数据的爬取，这样保证在最后也能进行数据的保存

def start(page1,page2):
    try:
        for i in range(page1, page2):
            mUrl = 'http://www.jb51.net/list/list_97_%s.htm' % i
            print('url ' + mUrl)
            data = getHtml(mUrl)
            etreeMyHtml(data)
    except:
        print('error '+i)
    finally:
        wb.save('脚本之家脚本python专栏' + '.xlsx')

这次是失业了， 确实公司比较小，发工资都是老板亲手来发工资，遇到个京东众筹，资金又暂时的周转不过来，只能先把我这来了半年不到的小喽啰给裁掉咯。以后android 可能会慢慢放弃，转向大数据方向吧。python，你用你知道爽。下次学习招聘网站的爬取，因为自己要找工作了嘛。