爬取简书热评文章

分析:打开浏览器输入网址后浏览网页时,发现没有分页的界面和url,可以一直向下浏览下去,说明使用了异步加载。
打开浏览器的开发者工具,打开network选项卡,鼠标下滑页面会看到有加载的文件,点击headers可以发现url信息。然后就可以构造爬取的url链接了。
此次信息爬取采用了多进程的方式来提高爬取效率。
话不多说上源码:

import requests
from lxml import etree
import pymongo
from multiprocessing import Pool
import time

#创建数据库
client = pymongo.MongoClient('localhost',27017)
jianshudb = client['jianshudb']
jianshu_test = jianshudb['jianshu_test']
headers = {
    'User-Agent':
        'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36'
}
def get_info(url):
    html = requests.get(url,headers=headers)
    selector = etree.HTML(html.text)
    authors = selector.xpath('//div[@class="meta"]/a[@class="nickname"]/text()')
    titles = selector.xpath('//div[@class="content"]/a[@class="title"]/text()')
    contents = selector.xpath('//p[@class="abstract"]/text()')
    likes = selector.xpath('//div[@class="content"]/div[@class="meta"]/span[2]/text()')
    # print(author)
    # print(title)
    # print(content)
   # print(authors)
    for author,title,content,like in zip(authors,titles,contents,likes):
        data = {
            'author':author,
            'title':title,
            'content':content,
            'like':like
        }
       # print(data)
        #写入数据
        jianshu_test.insert_one(data)
if __name__ == '__main__':
    urls = ['https://www.jianshu.com/c/bDHhpK?order_by=commented_at&page={}'.format(str(i)) for i in range(1,20)]
    start = time.time()
    pool = Pool(processes=4)
    pool.map(get_info,urls)
    end = time.time()
    print('爬取时间为:',end-start)

打开数据库可以看到下载的信息:
在这里插入图片描述
本人菜鸟,欢迎交流点评纠错!

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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