最近在学习python爬虫,写了一个脚本算是初级毕业。废话不多说,先上知识点,再上代码。
类的用法
- 定义类时后面要加Object参数
- 类里面函数第一个参数要写为self
- 定义类里面的全局变量是,可以在__init__函数里面初始化self.xxname
- 在调用同一个工程下不同文件中的类时,需要用from xxx import xxClass 来引用
url请求
urlopen(url).read()之后得到网页文本
soup和lxml
- soup.select(’’)里面可以是css选择器
- soup.select()的结果可以转换为字符串之后用来构造新的soup对象
- soup的那些函数只有soup对象才能使用,find结果和select结果是不能直接使用的
- soup.tag 选择soup中的所有tag
- soup.find_all()和soup.find()区别是前者返回所有匹配项,后者返回一个。
文件IO
- 换行直接writ(string+’\n’)
- 打开文件一定添加三个参数,文件名字,编码,打开模式
- 用完及时close
xpath
一般来说用直接拷贝的,然后在拷贝的基础上进行修改。
-
xpath可以获取节点,获取节点内容,获取属性
(1)在xpath以节点内容结尾 则获取节点
(2)xpath以/text()结尾 则获取标签内容列表
(3)xpath以/@attr结尾 则获取属性列表
-
调用xpath的方法 etree.HTML(html),然后xpath(xpathString)
-
xpath不能以/结尾
python数据
- list长度 len(listname)
- 创建一个字典 dict={}
- 为字典添加元素 dict.update(dic)
- 遍历字典 for k in dict:
- str函数可以把soup结果转换为字符串
- 判断一个字符串是否为空 if p.string is not Node:
代码
from DataOutput import DataOutput
from HTMLParser import HTMLParser
from HTMLDownLoader import HTMLDownLoader
class Controller(object):
def crawl(self,url):
downloader=HTMLDownLoader()
htmlParser=HTMLParser()
dataOutput=DataOutput()
htmlContext=downloader.get(url)
dict=htmlParser.parse(htmlContext)
dataOutput.save(dict)
if __name__=='__main__':
controller=Controller()
controller.crawl('http://www.seputu.com')
from urllib import request
class HTMLDownLoader(object):
def get(self,url):
html=request.urlopen(url).read()
return html
pass
from lxml import etree
class HTMLParser(object):
def parse(self,html):
h=etree.HTML(html)
mulus=h.xpath(".//div[@class='mulu']/div[@class='box']/ul/li[*]/a[@href]/text()")
hrefs=h.xpath(".//div[@class='mulu']/div[@class='box']/ul/li[*]/a[@href]/@href")
i=0
dict={}
while i<len(mulus):
dit={mulus[i]:hrefs[i]}
dict.update(dit)
i=i+1
for k in dict:
print(k+" "+dict[k])
return dict
from urllib import request
from bs4 import BeautifulSoup
class DataOutput(object):
def __init__(self):
self.outfile=open("盗墓笔记.txt",'a',encoding='utf-8')
def save(self,dict):
for k in dict:
text=request.urlopen(dict[k]).read()
soup=BeautifulSoup(text,'lxml')
body=soup.select('.content-body')
bodyhtml=body[0]
bodysoup=BeautifulSoup(str(bodyhtml),'lxml',from_encoding='utf-8')
ps=bodysoup.find_all('p')
self.outfile.write(k+'\n')
print("writing %s" % k)
for p in ps:
if p.string is not None:
self.outfile.write(p.string)
self.outfile.write('\n')
self.outfile.close()