本次是萌新爬虫的第四弹,鄙人来尝试爬取某医院官网动态。
其中要使用XPath方法——
XPath即为XML路径语言(XML Path Language),它是一种用来确定XML文档中某部分位置的语言。XPath基于XML的树状结构,提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快地被开发者采用来当作小型查询语言。
XPath最大的优点是极其适合下图所示具有完备结构化网页内容的爬取:
官网网址:http://www.xmsdyrmyy.com/list.asp?classid=20&page=1
显而易见,参数page就是页码数。
1.导入模块
import json
import re
import requests
from lxml import etree
2.初始化函数
class Hospital:
def __init__(self):
self.start_url="http://www.xmsdyrmyy.com/list.asp?classid=20&page={}"
self.headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36"}
3.构造url列表
可见一共有10页:
且根据前文已知第一页参数page=1
def get_url_list(self):#构造url列表
url_list=[]
for i in range(1,10):
url_list.append(self.start_url.format(i))
return url_list
4.发送请求,获取响应
def parse_url(self,url):#发送请求,获取响应
response=requests.get(url,headers=self.headers)
return response.content.decode()
5.提取数据
接下来才是重中之重——
本人计划将每一条动态按照标题、导语和发布日期进行采集:
标题
导语
发布日期
可以做出判断每一条动态都位于< li >…< / li >内,是不是特别结构化?
它们的上一级ul class为news_list,可以设置总路径为li_list=html.xpath("//ul[@class=‘news_list’]/li")
标题位于a开头的title属性,设置xpath路径为.//a/@title
导语没有属性,它只是文本内容即text(),设置xpath路径为./text()
发布日期位于em开头,设置xpath路径为.//em/text()
def get_content_list(self,html_str):#提取数据
html=etree.HTML(html_str)
li_list=html.xpath("//ul[@class='news_list']/li")
content_list=[]
for li in li_list:
item={}
item["标题"]=li.xpath(".//a/@title")#标题
item["导语"]=li.xpath("./text()")[1]#导语
item["发布日期"]=li.xpath(".//em/text()")#发布日期
item["导语"]=re.sub(r"\r\n "," ",item["导语"])#去除多余字符
content_list.append(item)
return content_list
6.保存
def save_content(self,content_list,page_num):#保存
with open("医院动态.txt","a",encoding="utf-8")as f:
for content in content_list:
f.write(json.dumps(content,ensure_ascii=False))
f.write("\n")
print("Page"+str(page_num)+"保存成功")
7.主要逻辑
def run(self):#实现主要逻辑
url_list=self.get_url_list()
for url in url_list:#遍历,发送请求,获取响应
html_str=self.parse_url(url)
content_list=self.get_content_list(html_str)#提取数据
page_num=url_list.index(url)+1#页码数
self.save_content(content_list,page_num)#保存
8.主函数
if __name__=="__main__":
hospital=Hospital()
hospital.run()
9.完整代码
import json
import re
import requests
from lxml import etree
class Hospital:
def __init__(self):
self.start_url="http://www.xmsdyrmyy.com/list.asp?classid=20&page={}"
self.headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36"}
def get_url_list(self):#构造url列表
url_list=[]
for i in range(1,10):
url_list.append(self.start_url.format(i))
return url_list
def parse_url(self,url):#发送请求,获取响应
response=requests.get(url,headers=self.headers)
return response.content.decode()
def get_content_list(self,html_str):#提取数据
html=etree.HTML(html_str)
li_list=html.xpath("//ul[@class='news_list']/li")
content_list=[]
for li in li_list:
item={}
item["标题"]=li.xpath(".//a/@title")#标题
item["导语"]=li.xpath("./text()")[1]#导语
item["发布日期"]=li.xpath(".//em/text()")#发布日期
item["导语"]=re.sub(r"\r\n "," ",item["导语"])#去除多余字符
content_list.append(item)
return content_list
def save_content(self,content_list,page_num):#保存
with open("医院动态.txt","a",encoding="utf-8")as f:
for content in content_list:
f.write(json.dumps(content,ensure_ascii=False))
f.write("\n")
print("Page"+str(page_num)+"保存成功")
def run(self):#实现主要逻辑
url_list=self.get_url_list()
for url in url_list:#遍历,发送请求,获取响应
html_str=self.parse_url(url)
content_list=self.get_content_list(html_str)#提取数据
page_num=url_list.index(url)+1#页码数
self.save_content(content_list,page_num)#保存
if __name__=="__main__":
hospital=Hospital()
hospital.run()
10.部分结果展示
{"标题": ["八十多岁的女儿来找普外二科:一百多岁的老母亲,耳朵上长了个“大核桃”!"], "导语": " 八十多岁的女儿来找普外二科:一百多岁的老母亲,耳朵上长了个“大核桃”!俗话说,“家有一老如有一宝”,孟老太太今年102岁啦,家里子孙满堂,生活幸福安康。可是最近一件事让她很烦心:一年前,老人发现自己的右耳廓上出现了一个约“葡… ", "发布日期": ["2021-5-13 8:43:46"]}
{"标题": ["【神经外科】出血风险极高,止血困难!有高血压的重症颅脑损伤患者,怎么救治?"], "导语": " 【神经外科】出血风险极高,止血困难!有高血压的重症颅脑损伤患者,怎么救治?58岁的欧阳先生在家时不慎摔伤头部,当即昏迷,家属急送我院救治,急诊查头部CT发现“脑挫裂伤”。以“重症颅脑损伤”入住神经外科病区。科主任丁宝献、副主任… ", "发布日期": ["2021-5-8 11:59:45"]}
{"标题": ["杏林圣手,顽疾根除——胸心·泌尿外科肾囊肿患者出院后,挥毫泼墨表感谢!"], "导语": " 杏林圣手,顽疾根除——胸心·泌尿外科肾囊肿患者出院后,挥毫泼墨表感谢!前不久,67岁的韩先生因“心慌、胸闷、气喘一月有余”来我院就医。老人于5年前发现有心律不齐,间断服药,在门诊检查后以“冠心病、心房颤动”入住心内二科。为患者… ", "发布日期": ["2021-5-2 11:55:18"]}