Python使用lxml模块抓取数据

业里村牛欢喜

于 2022-12-22 17:40:27 发布

阅读量450

点赞数 1

分类专栏： python数据分析 python开发 python 文章标签：爬虫数据挖掘 python

本文链接：https://blog.csdn.net/yi247630676/article/details/128410739

版权

python开发同时被 3 个专栏收录

27 篇文章 1 订阅

订阅专栏

python

22 篇文章 0 订阅

订阅专栏

python数据分析

10 篇文章 3 订阅

订阅专栏

业务需求

抽取某网站的简历数据进行保存，批量抓取每个简历的rar包。

需求分析

先分析抓取的网站的url地址，分析每个url地址栏上面都有简历模板的url，先抓取到跳转的地址，在从跳转的地址中抽取每个简历详细页中下载地址，再用get方法进行抓取rar的简历包，进行本地化存储。

代码部分

# -*- coding:UTF-8 -*-
#需求爬取简历网站rar文档进行下载。
import requests
from lxml import etree
#输入一个空列表，将要爬取的网站url放入列表中
urls = []
#循环5次，每次间隔1
for i in range(1,5,1):
    #从第二个url的地址上面抓取数据，因为
    i = i + 1
    #优化列表参数，将start后面的变量设置为I，进行变量格式化
    url = "https://sc.chinaz.com/jianli/free_{}.html".format(i)
    #将赋值的url赋值到urls列表中。
    urls.append(url)
#请求的浏览器标识符
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'}
#设置一个空列表，抽取的网站的详情页url放置进去
detail_urls = []
#设置一个空列表，把抽取到标题数字准备放入
jianli_name_list = []
#遍历从简历的主页抓取每个url
for url in urls:
    #get方法抓取网页的源码
    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'}
    #get方法抓取每个网页的内容
    response = requests.get(url,headers=headers)
    #使用content方法加utf8保留下来
    content = response.content.decode('utf8')
    #etree的html方法赋予对象
    html = etree.HTML(content)
    #
    for i in (0,10,1):
        #利用xpath标签路径方法，抓取详细的简历详细url标签页到列表中
        detail_url = html.xpath('// * [ @ id = "container"]/div[{}]/a/@href'.format(i+1))
        #使用xpath标签，抓取简历的标题
        jianli_get_name = html.xpath('//*[@id="container"]/div[{}]/p/a/text()'.format(i+1))
        jianli_name_list.append(jianli_get_name)
        detail_urls.append(detail_url)

# print("抓取存储简历名字",jianli_name_list)
# print("抓取到存储简历的url列表", detail_urls)
#设置一个空列表，准备存放电影数据
jianli_download_url = []
for page in detail_urls:
    for url in page:
        response = requests.get(url,headers=headers)
        content = response.content.decode('utf8')
        # print(content)
        html = etree.HTML(content)
        new_url = html.xpath('// *[ @ id = "down"] / div[2] / ul / li[1] / a/@href')#//*[@id="down"]/div[2]/ul/li[1]/a
        jianli_download_url.append(new_url)

#打印下载地址
# print('名称与简历下载地址：',jianli_download_url)
#列表有嵌套，第一次抽取
for r1 in jianli_download_url:
    #第二次抽取列表出来地址是正确地址
    for r2 in r1:
        rar_pake = requests.get(url=r2, headers=headers).content
        rar_name = r2.split('/')[-1]
        #本地化存储数据
        rar_Path = './rar_file/' + rar_name
        with open(rar_Path,'wb') as code:
            code.write(rar_pake)
            print(rar_Path,'执行下载完毕！！！')

结果分析

运行结果正常，每个数据包进行下载。

文件夹中有文件下载存入了。

总结思路

本实验最大的难点是抓取每个简历的url，并且将每个简历的rar进行本地化保存。抓取每个简历使用for循环进行遍历抓取了，刚开始抓取不到地址，后面用chrome浏览器自带的xpath路径复制进行抓取，最终抓下来每个简历的详细地址了。最后是注意一点，使用for循环抓取的数据增加到列表中，形成双重列表，要在后面使用两次for循环进行‘http****’数据进行清洗，清洗完毕以后在用get方法进行抓取，用get方法抓取时候，注意url数据的格式有时候使用xpath方法抓取不到标题，就往前面的数据集进行抓取。