咱们今天要爬取的网址为:https://www.zhiliti.com.cn/html/luoji/list7_1.htmlhtml
1、目标:获取下图红色部份内容
即获取全部的题目以及答案。python
2、实现步骤。
分析:
1,首先查看该网站的结构。浏览器
分析网页后能够获得:服务器
咱们须要的内容是在该网页
标签下,详细内容连接在 的的href中。函数可是这样咱们最多只能获取这一页的内容网站
别着急编码
咱们点击第二页看一下目标网址有什么变化url
咱们发现目标网址最后的数字变成了2spa
再看一下最后一页3d
咱们能够分析出最后那个数字即第几页,因此咱们待会能够直接用一个for循环拼接字符串便可。
分析详细页面:
咱们随便点击进入一个阅读全文
一样分析网页结构。
发现咱们要的内容在一个块
标签中,咱们在看一下其余题是否是也是这样的
很明显是这样的,因此咱们只须要获取class为info-zi mb15下的
标签下的内容便可。
因此咱们接下来开始实现。
Let's Go
实现:
1,获取全部页
defgetall():for i in range(1,31,1):
getalldoc(i)
i表示第i页,一共30页因此i从1变化到30,每次增长1。
2,获取当前页详细页面的链接
#获取目标网址第几页
defgetalldoc(ii):#字符串拼接成目标网址
testurl = "https://www.zhiliti.com.cn/html/luoji/list7_"+str(ii)+".html"
#使用request去get目标网址
res = requests.get(testurl,headers=headers)#更改网页编码--------不改会乱码
res.encoding="GB2312"
#建立一个BeautifulSoup对象
soup = BeautifulSoup(res.text,"html.parser")#找出目标网址中全部的small标签#函数返回的是一个list
ans = soup.find_all("small")#用于标识问题
cnt = 1
#先建立目录
mkdir("E:\\Python爬取的文件\\问题\\第" + str(ii) + "页\\")for tag inans:#获取a标签下的href网址
string_ans=str(tag.a.get("href"))#请求详细页面
#返回咱们须要的字符串数据
string_write =geturl(string_ans)#写文件到磁盘
writedoc(string_write,cnt,ii)
cnt= cnt+1
print("第",ii,"页写入完成")
先拼接处目标网页url,而后调用request去请求,更改网页编码,使用BeautifulSoup对html文档进行解析,找出全部标签,存入一个list,而后遍历该list,获取每个标签里的
获得详细页面的url以后咱们调用geturl(自定义函数下面讲解)返回咱们所须要的题目字符串,最后调用writedoc写入文件。
3,获得详细页面的url后筛选目标字符串
#根据详细页面url获取目标字符串
defgeturl(url):#请求详细页面
r = requests.get(url, headers=headers)#改编码
r.encoding = "GB2312"soup= BeautifulSoup(r.text, "html.parser")#找出类名为 info-zi mb15 下的全部p标签
ans = soup.find_all(["p", ".info-zi mb15"])#用来储存最后须要写入文件的字符串
mlist = ""
for tag inans:#获取p标签下的string内容,并进行目标字符串拼接
mlist=mlist+str(tag.string)#返回目标字符串
return mlist
首先请求网页构建一个BeautifulSoup对象,筛选出class=info-zi mb15的对象下的
标签内容,返回类型为list,遍历list,将每一个item的string拼接到目标字符串并返回。
4,将目标字符串写进文件
#写文件
defwritedoc(ss, i,ii):#打开文件
#编码为utf-8
with open("E:\\Python爬取的文件\\问题\\第" + str(ii) + "页\\"+"问题" + str(i) + ".txt", 'w', encoding='utf-8') as f:#写文件
f.write(ss)print("问题" + str(i) + "文件写入完成" + "\n")
5,建立指定目录
defmkdir(path):#去除首位空格
path =path.strip()#去除尾部 \ 符号
path = path.rstrip("\\")#判断路径是否存在
#存在 True
#不存在 False
isExists =os.path.exists(path)#判断结果
if notisExists:#若是不存在则建立目录
#建立目录操做函数
os.makedirs(path)returnTrueelse:#若是目录存在则不建立,并提示目录已存在
return False
三,最终python文件
importrequestsfrom bs4 importBeautifulSoupimportos#服务器反爬虫机制会判断客户端请求头中的User-Agent是否来源于真实浏览器,因此,咱们使用Requests常常会指定UA假装成浏览器发起请求
headers = {'user-agent': 'Mozilla/5.0'}#写文件
defwritedoc(ss, i,ii):#打开文件
#编码为utf-8
with open("E:\\Python爬取的文件\\问题\\第" + str(ii) + "页\\"+"问题" + str(i) + ".txt", 'w', encoding='utf-8') as f:#写文件
f.write(ss)print("问题" + str(i) + "文件写入完成" + "\n")#根据详细页面url获取目标字符串
defgeturl(url):#请求详细页面
r = requests.get(url, headers=headers)#改编码
r.encoding = "GB2312"soup= BeautifulSoup(r.text, "html.parser")#找出类名为 info-zi mb15 下的全部p标签
ans = soup.find_all(["p", ".info-zi mb15"])#用来储存最后须要写入文件的字符串
mlist = ""
for tag inans:#获取p标签下的string内容,并进行目标字符串拼接
mlist=mlist+str(tag.string)#返回目标字符串
returnmlist#获取目标网址第几页
defgetalldoc(ii):#字符串拼接成目标网址
testurl = "https://www.zhiliti.com.cn/html/luoji/list7_"+str(ii)+".html"
#使用request去get目标网址
res = requests.get(testurl,headers=headers)#更改网页编码--------不改会乱码
res.encoding="GB2312"
#建立一个BeautifulSoup对象
soup = BeautifulSoup(res.text,"html.parser")#找出目标网址中全部的small标签
#函数返回的是一个list
ans = soup.find_all("small")#用于标识问题
cnt = 1
#先建立目录
mkdir("E:\\Python爬取的文件\\问题\\第" + str(ii) + "页\\")for tag inans:#获取a标签下的href网址
string_ans=str(tag.a.get("href"))#请求详细页面
#返回咱们须要的字符串数据
string_write =geturl(string_ans)#写文件到磁盘
writedoc(string_write,cnt,ii)
cnt= cnt+1
print("第",ii,"页写入完成")defmkdir(path):#去除首位空格
path =path.strip()#去除尾部 \ 符号
path = path.rstrip("\\")#判断路径是否存在
#存在 True
#不存在 False
isExists =os.path.exists(path)#判断结果
if notisExists:#若是不存在则建立目录
#建立目录操做函数
os.makedirs(path)returnTrueelse:#若是目录存在则不建立,并提示目录已存在
returnFalsedefgetall():for i in range(1,31,1):
getalldoc(i)if __name__ == "__main__":
getall()
四,运行结果
五,总结
通常网页的编码为utf-8编码,可是这个网页就不同编码为GB2312,我第一次请求返回的是乱码,若是python向一个不存在的目录进行写文件会报错,因此写文件以前要先判断路径是否正确存在,不存在就要建立路径,请求头请使用下面这个
#服务器反爬虫机制会判断客户端请求头中的User-Agent是否来源于真实浏览器,因此,咱们使用Requests常常会指定UA假装成浏览器发起请求
headers = {'user-agent': 'Mozilla/5.0'}