爬取糗事百科段子(纯代码)

#-*- coding:utf-8 -*-
import requests
from lxml import etree
import json




class Qiushi:
    def __init__(self):
        self.headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKi"
                          "t/537.36   (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
    def get_url_list(self):
        url_list = []
        url = 'https://www.qiushibaike.com/8hr/page/{}/'
        for i in range(1,14):
            url_list.append(url.format(i))
        return url_list
    def parse_url(self,url):
        r = requests.get(url,self.headers)
        resp = r.content.decode()
        return resp
    def parse_content(self,resp):
        html = etree.HTML(resp)
        div_list = html.xpath('//div[@id="content-left"]/div')
        content_list = []
        for div in div_list:
            dict = {}
            content = div.xpath('.//div[@class="content"]/span/text()')
            dict['content'] = [i.replace('\n','') for i in content]
            dict['img'] = 'https:' + div.xpath('.//div[@class="thumb"]/a/img/@src')[0] if len(div.xpath('.//div[@class="thumb"]/a/img/@src') ) > 0 else None
            dict['head_img'] = 'https:' + div.xpath('.//div[@class="author clearfix"]//a/img/@src')[0] if len(div.xpath('.//div[@class="author clearfix"]//a/img/@src'))>0 else None
            dict['user_name'] = div.xpath('.//div[@class="author clearfix"]/a/h2/text()')[0].replace('\n','') if len(div.xpath('.//div[@class="author clearfix"]/a/h2/text()'))>0 else None
            dict['age'] = div.xpath('.//div[@class="author clearfix"]/div/text()')[0] if len(div.xpath('.//div[@class="author clearfix"]/div/text()') ) >0 else None
            sex = div.xpath('.//div[@class="author clearfix"]/div/@class')[0]   if len(div.xpath('.//div[@class="author clearfix"]/div/@class')) >0 else None
            if sex:
                sex1 = sex.split(' ')[-1].split('Icon')[0]
                dict['sex'] = sex1
            else:
                dict['sex'] = None
            content_list.append(dict)
        return content_list


    def save_content(self,content_list):
        with open('糗事百科.txt','a') as f:
            for content in content_list:
                f.write(json.dumps(content,ensure_ascii=False))
                f.write('\n')


    def run(self):
        # 1,构造url列表
        url_list =  self.get_url_list()
        # 2,发送请求,获取响应
        for url in url_list:
            print (url)
            resp = self.parse_url(url)
        # 3,提取数据
            content_list = self.parse_content(resp)
        # 4,保存数据
            self.save_content(content_list)
            print ('保存{}成功'.format(url))


        # 5,循环
if __name__ == '__main__':
    qiushi = Qiushi()
    qiushi.run()
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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