【Python黑科技】lxml库爬虫实战-爬取句子控的名人名言句子（保姆级图文+实现代码）

最新推荐文章于 2023-10-03 16:24:15 发布
最新推荐文章于 2023-10-03 16:24:15 发布
阅读量1.8k 收藏 4
点赞数
分类专栏： python # Python黑科技 文章标签： python 爬虫 lxml 实战项目 反爬
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u011027547/article/details/122765412
版权

目录

欢迎关注 『Python黑科技』 系列，持续更新中
欢迎关注 『Python黑科技』 系列，持续更新中

实现效果

爬取的内容
在这里插入图片描述

得到的csv文件
在这里插入图片描述

实现思路

  • 导入所用的相关库
  • 分析并得到爬取关键词的url网址
  • 获取一个随机的user_agent（headers的使用使得）
  • 访问网页并爬取句子-句子的作者-句子的出处，把这三个内容封装进2层的list中
  • 把list存入csv文件中，持久化保存

导入所用的相关库

import requests
from lxml import etree
import csv
import random

分析并得到爬取关键词的url网址

我们搜索关键字程序员
在这里插入图片描述
得到的url是https://www.juzikong.com/s?q=程序员
在这里插入图片描述
多尝试几个其他的关键词，得知修改了q=程序员就会搜索其他的关键词，分析之后找到了这个关键词的爬虫key

因为编码的问题，程序员 三个字转化为了 %E7%A8%8B%E5%BA%8F%E5%91%98

#https://www.juzikong.com/s?q=程序员  
#因为url编码要转变的原因，你从浏览器复制黏贴下来会自动变成下面的结果-> 
url = "https://www.juzikong.com/s?q=%E7%A8%8B%E5%BA%8F%E5%91%98"

获取一个随机的user_agent（引入随机headers反爬）

具体可以查看另一篇博文：

【常用的user_agent 浏览器头爬虫模拟用户（保姆级图文+实现代码）】

# 得到随机的一个请求头
def get_random_user_agent():
    user_agent = [
        "Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
        "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
        "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:38.0) Gecko/20100101 Firefox/38.0",
        "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727; .NET CLR 3.0.30729; .NET CLR 3.5.30729; InfoPath.3; rv:11.0) like Gecko",
        "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)",
        "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)",
        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)",
        "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
        "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
        "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
        "Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)",
        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)",
        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)",
        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)",
        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)",
        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
        "Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5",
        "Mozilla/5.0 (iPod; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5",
        "Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5",
        "Mozilla/5.0 (Linux; U; Android 2.3.7; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
        "MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-cn; MB200 Build/GRJ22; CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
        "Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10",
        "Mozilla/5.0 (Linux; U; Android 3.0; en-us; Xoom Build/HRI39) AppleWebKit/534.13 (KHTML, like Gecko) Version/4.0 Safari/534.13",
        "Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+",
        "Mozilla/5.0 (hp-tablet; Linux; hpwOS/3.0.0; U; en-US) AppleWebKit/534.6 (KHTML, like Gecko) wOSBrowser/233.70 Safari/534.6 TouchPad/1.0",
        "Mozilla/5.0 (SymbianOS/9.4; Series60/5.0 NokiaN97-1/20.0.019; Profile/MIDP-2.1 Configuration/CLDC-1.1) AppleWebKit/525 (KHTML, like Gecko) BrowserNG/7.1.18124",
        "Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)",
        "UCWEB7.0.2.37/28/999",
        "NOKIA5700/ UCWEB7.0.2.37/28/999",
        "Openwave/ UCWEB7.0.2.37/28/999",
        "Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999",
        # iPhone 6：
        "Mozilla/6.0 (iPhone; CPU iPhone OS 8_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) Version/8.0 Mobile/10A5376e Safari/8536.25",

    ]
    return random.choice(user_agent)

# headers 使用
headers = {'User-Agent': get_random_user_agent()}

访问网页并爬取句子-句子的作者-句子的出处，把这三个内容封装进2层的list中

谷歌浏览器下右键检查获取要爬取的内容的xpth
在这里插入图片描述
复制完整xpth
在这里插入图片描述

整体区域xpth/html/body/div/div/div/div[3]/main/div[2]

#先获取要爬取的名言的整体的每一个个体，然后迭代每个句子的message，author，source
queto_list = html.xpath('/html/body/div/div/div/div[3]/main/div[2]/section')

在这里插入图片描述

句子内容xpth
/html/body/div[1]/div/div/div[3]/main/div[2]/section[1]/div[2]/a/span[1]/span/span

在这里插入图片描述

作者内容xpth
/html/body/div[1]/div/div/div[3]/main/div[2]/section[16]/div[2]/div/span/a/span/span

在这里插入图片描述

出处内容xpth
/html/body/div[1]/div/div/div[3]/main/div[2]/section[16]/div[2]/div/a/span/span

在这里插入图片描述
这个时候我们会得到

# 先获取要爬取的名言的整体，然后再获取整体下面的每一条名言的message，author，source
queto_list = html.xpath('/html/body/div/div/div/div[3]/main/div[2]/section')

lists = []

print("得到的句子内容：")
for queto in queto_list:
    # 名言正文  /section[1]/div[2]/a/span[1]/span/span
    message = queto.xpath('./div[2]/a/span[1]/span/span/text()')
    # 作者     /section[16]/div[2]/div/span/a/span/span  不一定每个句子都有作者
    authuor = queto.xpath('./div[2]/div/span/a/span/span/text()')
    # 出处     /section[16] / div[2] / div / a / span / span  不一定每个句子都有出处
    source =  queto.xpath('./div[2] / div / a / span / span/text()')
    # 将数据统一添加进列表中保存
    lists.append(message)
    lists.append(authuor)
    lists.append(source)

但是你会发现，因为搜索关键字的原因，这个网站把我们程序员的关键词的内容给分割了，所以我们还要把message的list变成字符串，比如说：

['我以后是', '程序员', '的话....']应该被转化为['我以后是程序员的话....']

在这里插入图片描述

修改后

# 先获取要爬取的名言的整体，然后再获取整体下面的每一条名言的message，author，source
queto_list = html.xpath('/html/body/div/div/div/div[3]/main/div[2]/section')

lists = []

print("得到的句子内容：")
for queto in queto_list:
    # 名言正文  /section[1]/div[2]/a/span[1]/span/span
    message = queto.xpath('./div[2]/a/span[1]/span/span/text()')
    # 作者     /section[16]/div[2]/div/span/a/span/span  不一定每个句子都有作者
    authuor = queto.xpath('./div[2]/div/span/a/span/span/text()')
    # 出处     /section[16] / div[2] / div / a / span / span  不一定每个句子都有出处
    source = queto.xpath('./div[2] / div / a / span / span/text()')
    # 将数据统一添加进列表中保存
    this_list = []
    str_message = ''.join(message)
    this_list.append(str_message)
    str_authuor = ''.join(authuor)
    this_list.append(str_authuor)
    str_source = ''.join(source)
    this_list.append(str_source)
    # print(this_list)#打印本句子的所有信息
    lists.append(this_list)

#测试输出保存的数据
print(lists)

在这里插入图片描述

把list存入csv文件中，持久化保存

with open("./名人名言.csv", 'w', encoding='utf-8', newline='\n') as f:
    writer = csv.writer(f)
    for i in lists:
        writer.writerow(i)

在这里插入图片描述

实现代码

完整的实现代码，拿来即用

# @Time    : 2022/2/1 17:45
# @Author  : 南黎
# @FileName: Python爬虫爬取句子迷句子.py

import requests
from lxml import etree
import csv
import random

# https://www.juzikong.com/s?q=程序员
# 因为url编码要转变的原因，你复制下来应该是下面的结果 程序员 三个字转化为了 %E7%A8%8B%E5%BA%8F%E5%91%98
url = "https://www.juzikong.com/s?q=%E7%A8%8B%E5%BA%8F%E5%91%98"


# 得到随机的一个请求头
def get_random_user_agent():
    user_agent = [
        'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36',
        "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
    ]
    return random.choice(user_agent)


# headers 使用
headers = {'User-Agent': get_random_user_agent()}
print("使用的随机浏览器头：")
print(headers)

get_request = requests.get(url=url, headers=headers).text
# html：爬取得到的网页html内容
html = etree.HTML(get_request)

# 先获取要爬取的名言的整体，然后再获取整体下面的每一条名言的message，author，source
queto_list = html.xpath('/html/body/div/div/div/div[3]/main/div[2]/section')

lists = []

print("得到的句子内容：")
for queto in queto_list:
    # 名言正文  /section[1]/div[2]/a/span[1]/span/span
    message = queto.xpath('./div[2]/a/span[1]/span/span/text()')
    # 作者     /section[16]/div[2]/div/span/a/span/span  不一定每个句子都有作者
    authuor = queto.xpath('./div[2]/div/span/a/span/span/text()')
    # 出处     /section[16] / div[2] / div / a / span / span  不一定每个句子都有出处
    source = queto.xpath('./div[2] / div / a / span / span/text()')
    # 将数据统一添加进列表中保存
    this_list = []
    str_message = ''.join(message)
    this_list.append(str_message)
    str_authuor = ''.join(authuor)
    this_list.append(str_authuor)
    str_source = ''.join(source)
    this_list.append(str_source)
    # print(this_list)#打印本句子的所有信息
    lists.append(this_list)

# 测试输出保存的数据
print(lists)

with open("./名人名言.csv", 'w', encoding='utf-8', newline='\n') as f:
    writer = csv.writer(f)
    for i in lists:
        writer.writerow(i)

总结

大家喜欢的话，给个👍，点个关注！给大家分享更多有趣好玩的Python黑科技！

版权声明：

发现你走远了@mzh原创作品，转载必须标注原文链接

Copyright 2022 mzh

Crated：2022-2-1

欢迎关注 『Python黑科技』 系列，持续更新中
欢迎关注 『Python黑科技』 系列，持续更新中
【Python安装第三方库一行命令永久提高速度】
【使用PyInstaller打包exe】
【免登陆爬虫一键下载知乎文章图片（保姆级图文+实现代码）】
【孤独的程序员和AI机器人朋友聊天解闷（免费接口+保姆级图文+实现代码注释）】
【几行代码绘制gif动图（保姆级图文+实现代码）】
【几行代码实现网课定时循环截屏，保存重要知识点（保姆级图文+实现代码）】
【常用的user_agent 浏览器头爬虫模拟用户（保姆级图文+实现代码）】
【更多内容敬请期待】

发现你走远了
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
专栏目录
python-CrawlSpider爬取名人名言
thekingspath的博客
12-12 621
爬取名人名言(http://quotes.toscrape.com) import scrapy from scrapy.spiders import CrawlSpider,Rule from scrapy.linkextractors import LinkExtractor class Quotes(CrawlSpider): name = 'quote' allowed_domains = ['quotes.toscrape.com'] start_urls = ['ht
Python库 | lxml-4.7.0-cp37-cp37m-win32.whl
03-31
资源分类：Python库 所属语言：Python 资源全名：lxml-4.7.0-cp37-cp37m-win32.whl 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
python实现爬取名人名言
自学python的博客
05-16 2324
python实现爬取名人名言 技术路线：requests-bs4-re 第一步 首先打开名人名言的网站https://mingyan.supfree.net/search.asp 第二步 然后查看源代码，可以看到，名人名言都存储在table标签内，可以利用bs4库对其进行查找标签 即soup1 = soup.find('table') 找到table标签，然后再table标签里再寻找a标签，stockInfo = soup1.find_all('a')，此是的stockinfo变量是class
python从入门到放弃篇29（selenium库）for循环爬取名人名言动态网页并保存数据到本地计算机上
Mr.Pan_学狂
07-22 1040
今天，又是个美好的一天，我因为开始自学爬虫，所以就顺便看看爬虫重修群的作业（当然我没有挂科），我觉得这次作业还有一些意思，所以，我自己就解决了这次作业。 完整代码其实也就20多行左右： 我们这次的案例，不是我自己想的，是老师的作业，网址是：http://quotes.toscrape.com/js/，我们先进去看一下，如下图所示： 然后，我们往后翻页，发现它这个页数是固定的，只有10页就翻完了。所以，我们可以利用这个特点。首先，先导入我们会用到的库，selenium和time。如下图： 接着，将案例网
python小功能：优雅打印的随机名言
最新发布
weixin_73675558的博客
10-03 269
这段代码模拟了一个生成随机名言的程序。通过调用函数，它从一个名言列表中随机选择一句名言，并在主函数中展示出来。
Python实现获取名人名言http://quotes.toscrape.com/
Tinyfacture的博客
12-31 645
Python实现获取名人名言http://quotes.toscrape.com/
python 爬取句子迷，多好的一个网站（哭~~）
初学者_小铭
05-04 1642
别问为什么爬它，问就是佛。 总结放前面： 1、电脑客户端被针对的情况，将浏览器改为手机浏览器 2、IP被封有点烦，暂时用校园网和宽带顶着（相当于两个IP） 3、多线程加锁保护文件保存和读取。 这么好看的句子，当然要爬下来一起分享啦~，其实是想拓展一个私人程序的，哈哈。 来来来，我们F12先看看，多简单哦， 获取页面，然后解析，最后找到我们需要的信息。只放搜寻...
C++调用python，并抓取每日一句名言
你的问题在于，读书太少而想得太多。
06-03 376
什么是语言融合？一起来看一看如何利用C++调用python实现爬虫吧！
Python爬虫实战-带你解析不一样的名人名言网站❤️
公众号：白又白学Python
08-12 6240
1.输入网址 https://quotes.toscrape.com/，进入网站首页，观察网页的结构,我们发现网页的内容很清晰. 主要分为：名人名言，作者，标签三个主要字段，同时三个字段的内容为本次提取的内容。 \ 2.确定需求，分析网页结构 打开开发者工具，点击networ进行网络数据抓包分析，网站是以get方式进行请求，不需要携带参数，那我们就可以以request请求库中的get()方法，进行模拟请求，需要带上headers请求，模拟浏览器信息验证，防止被网站服务器检测为爬虫请求。 也可以点击开发者工具
python 爬虫（七）lxml模块 + lxml数据提取（字符串的xml/html文件--转换--element对象--转换--字符串）调用XPath方法筛选数据 + 案例（扇贝 酷狗 网易云音乐）
langdei的博客
10-30 7400
文章目录一、lxml模块1. lxml简介与安装2. lxml初步使用1. 导包2.xml转成element对象的方法（1）将字符串形式的xml内容解析成可以调用xpath语法的element对象的方法3. 将一个html文件转化成element对象的方法4. 如何将element对象转化成字符串的方法二、在python中如何使用XPATH1. 使用xpath语法筛选元素 一、lxml模块 1....
Python库 | lxml-4.0.0-cp27-cp27mu-manylinux1_i686.whl
04-23
资源分类：Python库 所属语言：Python 使用前提：需要解压 资源全名：lxml-4.0.0-cp27-cp27mu-manylinux1_i686.whl 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
Python库 | lxml-4.5.1.tar.gz
04-10
资源分类：Python库 所属语言：Python 资源全名：lxml-4.5.1.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
Python库 | lxml_stubs-0.3.0-py3-none-any.whl
04-23
资源分类：Python库 所属语言：Python 使用前提：需要解压 资源全名：lxml_stubs-0.3.0-py3-none-any.whl 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
Python库 | lxml-4.5.1-cp38-cp38-win_amd64.whl
03-21
python库，解压后可用。 资源全名：lxml-4.5.1-cp38-cp38-win_amd64.whl
计算一个句子中的单词总数和指定单词出现频率
as1246170471的专栏
12-05 694
#include #include #include using namespace std; int awordnum(char str[]); int cntstring(char*source,char*substr); int main(void) { char s[1000],u[1000]; cout<<"请输入一个句子："; gets(s
【python实现网络爬虫（5）】第一个Scrapy爬虫实例项目（Scrapy原理及Scrapy爬取名言名句网站信息）
lys_828的博客
02-04 1690
Scrapy介绍 总共有五部分组成的：具体的流程可看图示 引擎、调度器、下载器、蜘蛛和项目管道 爬取流程 针对于每个URL， Scheduler -> Downloader -> Spider -> ① 如果返回的是新的URL，就会返回Scheduler ② 如果是需要保存的数据，则会被放到item pipeline里面 Scrapy安装 在命令行窗口下执行下面语句 pip i...
爬虫120例之第17例，用Python面向对象的思路，采集各种精彩句子
热门推荐
梦想橡皮擦，专栏100例写作模式先行者，现象级专栏 《Python 爬虫 100 例》作者、《滚雪球学 Python 专栏》原创者
08-12 2万+
来自采集结果： 每当在路上看到跟你同款的车，心都要咯噔一下，都会下意识的瞟一眼车牌，遗憾不是你，紧张是你，可惜不是你，又怕是你。
浮动之名人名言页面
天天向上
10-15 5886
名人名言页面 名人名言 分享名人名言，开始一段触动心灵的智慧之旅跳到内容 登录 关于 名人名言 英文名言(English) 心理杂志 心理书籍 专题活动 发表 心理学经典名言的智慧 洞察人性的美
python爬虫之爬取多篇含有关键词的文章标题和内容
hell_orld的博客
08-23 1万+
python爬虫之爬取多篇含有关键词的文章标题和内容实现的功能需要用到的库需要对html一些标签有一定的了解代码设计思想源代码 实现的功能 输入想要搜索的关键字和输入关键字后的前几页页数（即输入关键字后跳转的网页的页数，如下图） 将包含关键字的文章标题和内容提取出来保存在一个txt文件里面（如下图，输入关键词为高新，前一页） 需要用到的库 获取文章信息需要的库：beautifulsoup4，request； 需要对html一些标签有一定的了解 可以到w3cschool了解 打开维科闻网站输入关键词后，
python lxml爬虫爬取图片
06-09
你可以使用 Python 的 `lxml` 库和 `requests` 库来爬取网页中的图片。以下是一些基本步骤： 1. 首先，你需要安装 `lxml` 和 `requests` 库。你可以使用以下命令来安装它们： ``` pip install lxml pip install...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

发现你走远了

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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