前言:获取数据后可以选择多种存储方式,可以是TXT纯文本形式,也可以为JSON格式、CSV格式等。TXT文本几乎兼容任何平台,但不利于检索的缺点也暴露无遗。若是对检索和数据结构的要求不高,追求方便的情况下可以采用TXT文本存储。
参考:《Python3网络爬虫开发实战-崔庆才》
一,实例
保存知乎上“法线页面的‘热门话题”部分,将其问题和答案统一保存成文本形式。
思路:
1. 使用requests将网页源代码获取下来 2. 使用pyquery解析库解析 3. 提取标题、回答者、回答保存为文本
code:
'''
以知乎为例
1. 使用requests将网页源代码获取下来
2. 使用pyquery解析库解析
3. 提取标题、回答者、回答保存为文本
'''
import requests
from pyquery import PyQuery as pq
url = 'https://www.zhihu.com/explore'
headers = {
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36'
}
html = requests.get(url,headers=headers).text
doc = pq(html)
items = doc('.explore-tab .feed-item').items() # 遍历
for item in items:
question = item.find('h2').text()
a