对某网站超链接的爬取
import requests
from lxml import etree
url = 'https://www.baidu.com/'
headers = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36"
}
response = requests.get(url,headers=headers,verify=False)
content = response.content.decode('utf8')
html = etree.HTML(content)
contents = html.xpath('//div[@id="s-top-left"]/a/text()')
urls = html.xpath('//div[@id="s-top-left"]/a/@href')
egs = []
for content,url in zip(contents,urls):
eg = {}
eg = {
"content":content,
"url":url
}
egs.append(eg)
1.SSLError报错及解决:
这个代码是没有问题的,运行完可以得到理想的结果,但是会报错。
1.我看了很多博客的解决方案,就是SSL证书的问题。
所以我也在requests请求里面加入 verify=False 但是没用呀,还是报错。
2.于是我直接把https请求改为http请求,但也无济于事。
这真是一个令人头疼的问题:我快疯了!!!!!!!!!!!!!!!!!!!!!!!!!!
怎么解决呢?
上知乎,稀土掘金,百度……找呗
3.(对症下药)又翻了很多文章,解决方法差不多,所以我又来到了CSDN,最终在博主伊甸园的一篇文章里找到了答案:
*requests库版本与电脑系统的问题,我一直用的是2.12.4版本,只要升级到2.7.0或以上版本就可以完美解决。*
2.xpath语法:
每个内容都对应一个链接,我们要使之对应起来。
contents = html.xpath('//div[@id="s-top-left"]/a/text()')
urls = html.xpath('//div[@id="s-top-left"]/a/@href')
3.得到我们预期的数据