python爬取数据txt_python3爬虫学习之数据存储txt的案例详解

最新推荐文章于 2024-10-22 15:52:46 发布

weixin_39599046

最新推荐文章于 2024-10-22 15:52:46 发布

阅读量419

点赞数

文章标签： python爬取数据txt

上一篇实战爬取知乎热门话题的实战，并且保存为本地的txt文本

先上代码，有很多细节和坑需要规避，弄了两个半小时

import requests

import re

headers = {

"user-agent" : "Mozilla/5.0 (Windows NT 6.1; Win64; x64)"

" AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari"

"/537.36M",

"cookie" : '_xsrf=H6hRg3qQ9I1O8jRZOmf4ytecfaKdf2es; _zap=296584df-ce11-4059-bc93-be10eda0fdc1; d_c0="AKBmB5e-PA-PTkZTAD1nQun0qMf_hmcEH14=|1554554531"; '

'92a61"; l_n_c=1; q_c1=ad0738b5ee294fc3bd35e1ccb9e62a11|1554554551000|1554554551000; n_c=1; __gads=ID=9a31896e052116c4:T=1554555023:S=ALNI_Mb-I0et9W'

'vgfQcvMUyll7Byc0XpWA; tgw_l7_route=116a747939468d99065d12a386ab1c5f; l_cap_id="OGEyOTkzMzE2YmU3NDVmYThlMmQ4OTBkMzNjODE4N2Y=|1554558219|a351d6740bd01ba8ee34'

'94da0bd8b697b20aa5f0"; r_cap_id="MDIzNThmZjRhNjNlNGQ1OWFjM2NmODIxNzNjZWY2ZjY=|1554558219|ff86cb2f7d3c6e4a4e2b1286bbe0c093695bfa1d"; cap_id="MGNkY2RiZTg5N2MzNDUyNTk0NmEzMTYyYzgwY'

'zdhYTE=|1554558219|18ed852d4506efb2345b1dbe14c749b2f9104d54"; __utma=51854390.789428312.1554558223.1554558223.1554558223.1; __utmb=51854390.0.10.1554558223; __utmc=51854390; '

'__utmz=51854390.1554558223.1.1.utmcsr=(direct'

')|utmccn=(direct)|utmcmd=(none); __utmv=51854390.000--|3=entry_date=20190406=1',

"authority" : "www.zhihu.com",

}

url = "https://www.zhihu.com/explore"

response = requests.get(url=url , headers=headers)

text = response.text

# print(text)

titles = []

f_titles = re.findall(r'

.*? (.*?).*?',text,re.S)

for title in f_titles:

titles.append(title.strip())

# print("*"*30)

authors = []

f_authors = re.findall(r'

(.*?)',text,re.S)[1:]

for f_author in f_authors:

# print(f_author)

author = re.sub(r'<.*?>|]*?)>' , "" , f_author,re.S).strip()

authors.append(author)

# print("*"*30)

content_urls = re.findall(r'

.*? .*?',text,re.S)[1:]

contents = []

for content_url in content_urls:

content_full_url = "https://www.zhihu.com" + content_url

# print(content_full_url)

resp = requests.get(url=content_full_url , headers=headers)

c_text = resp.text

content = re.findall(r'

*? (.*?)',c_text,re.S)

content = str(content)

# print(type(content))

cont = re.sub(r'\\n|<.*?>',"",content).strip()

# print(cont)

contents.append(cont)

zhihu_questions = []

for value in zip(titles,authors,contents):

title,author,content = value

zhihu_question = {

"标题" : title,

"作者" : author,

"内容" : content

}

zhihu_questions.append(zhihu_question)

# for zhihu_question in zhihu_questions:

# for value in zhihu_question.values():

# print(value)

# print("=" * 50)

with open("知乎.txt" , "a" , encoding="utf-8") as fp:

for zhihu_question in zhihu_questions:

for value in zhihu_question.values():

fp.write(value)

fp.write('\n' + "="*10 + '\n')

fp.write('\n' + "*"*50 + '\n')

我们用requests库和正则来爬取

因为要一直测试爬取内容是否正确，可能运行太频繁，博主中间被封了一次号，然后修改了cookie等信息，勉强获取到了内容。

正则表达式在之前讲的很多了，也有过实战，不多赘述，我们主要来讲爬取时遇到的问题。

爬取标题时很顺利，我们只需要去除空白就行了

当爬取作者时就有了问题，我们注意到，热门话题共有10篇，也就是10个作者，但在用正则获取时，要么第一个作者不对，要么就只有9个作者，我把所有热门话题url，标题，作者和内容打印出来，打开浏览器一个一个对应标题作者和内容是否正确，发现了一个神奇的现象。

一：作者数量不对

在知乎有匿名作者，这种作者和不匿名的作者都放在同一种div下，但匿名作者在span标签内，而不匿名作者在a标签下，所以当我用正则匹配a标签的内容，无法获取匿名用户，就导致作者数量不对。于是直接获取div下的所有内容，在用sub去掉不要的内容

二：作者与标题或内容不符

2019424102959600.png?2019324103012

1是第一个作者，他不是我们需要的，但我们爬取的第一个就是他，2才是热门的第一个作者

未获取匿名用户

这两个是我们无法正常获取的原因

上面两个问题这样解决：

f_authors = re.findall(r'

(.*?)',text,re.S)[1:]

for f_author in f_authors:

# print(f_author)

author = re.sub(r'<.*?>|]*?)>' , "" , f_author,re.S).strip()

authors.append(author)

获取所有未经处理的作者，我们不要第一个因为他不是热门话题的回答者，f_authors是含有大量标签的列表，大家可以打印看看

我们遍历这个未经处理的列表，打印未经处理的作者名，看看需要处理什么。

我们发现含有大量span标签和a标签，我们用sub函数处理

三：我们可以发现，这些内容是很长的：

2019424103112211.png?2019324103124

这样，我们获取的内容是不正常的，我们分析可以找到该话题对应的链接，我们加上域名就可以到这个话题的详情页

2019424103147898.png?201932410323

2019424103219537.png?2019324103234

我们获取url，处理页面，获取内容，将获取的内容去掉标签等无关内容即可。

content_urls = re.findall(r'

.*? .*?',text,re.S)[1:]

contents = []

for content_url in content_urls:

content_full_url = "https://www.zhihu.com" + content_url

# print(content_full_url)

resp = requests.get(url=content_full_url , headers=headers)

c_text = resp.text

content = re.findall(r'

*? (.*?)',c_text,re.S)

content = str(content)

# print(type(content))

cont = re.sub(r'\\n|<.*?>',"",content).strip()

# print(cont)

contents.append(cont)

关于zip函数，我在上一篇爬取古诗文也用到了，很重要的函数：

zhihu_questions = []

for value in zip(titles,authors,contents):

title,author,content = value

zhihu_question = {

"标题" : title,

"作者" : author,

"内容" : content

}

zhihu_questions.append(zhihu_question)

最后就是把获取的内容保存为本地txt文档

with open("知乎.txt" , "a" , encoding="utf-8") as fp:

for zhihu_question in zhihu_questions:

for value in zhihu_question.values():

fp.write(value)

fp.write('\n' + "="*10 + '\n')

fp.write('\n' + "*"*50 + '\n')

这是最基本的保存爬取内容的方法。后续会有json，csv，数据库的相关博客续上。

运行结果：

2019424103428229.png?2019324103444

另，注释代码都是测试代码，可以参考。

补充：可能看得时候cookie信息会过期。

补充：文件打开的几种方式

1：r：只读模式，也是默认模式

2：rb：二进制只读

3：r+：读写方式

4：rb+：二进制读写方式

5：w：写方式

6：wb：二进制写方式

7：w+：读写方式

8：wb+：二进制读写方式

9：a：以追加方式，这个方式不会把原来的内容覆盖，本篇代码以此方式打开文件

10：ab：二进制追加方式

11：a+：读写方式

12：ab+：二进制读写方式

以上所述是小编给大家介绍的python3爬虫学习之数据存储txt的案详解整合，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对脚本之家网站的支持！