Python爬虫学习笔记 -- 爬取糗事百科

代码存放地址: https://github.com/xyls2011/python/tree/master/qiushibaike
爬取网址：https://www.qiushibaike.com/text/

知识点：xpath用法，requests, etree, pymongo，多线程threading

文章概览：
1）介绍了xpath的用法；
2）将xpath具体运用到爬取糗事百科段子；
3）进一步对比分析了单线程爬取和多线程爬取的效率。

参考文章：https://blog.csdn.net/u013332124/article/details/80621638

1、xpath的用法

一、xpath介绍

XPath 是一门在 XML 文档中查找信息的语言。XPath 用于在 XML 文档中通过元素和属性进行导航。

XPath 使用路径表达式在 XML 文档中进行导航
XPath 包含一个标准函数库
XPath 是 XSLT 中的主要元素
XPath 是一个 W3C 标准

节点

在 XPath 中，有七种类型的节点：元素、属性、文本、命名空间、处理指令、注释以及文档（根）节点。XML 文档是被作为节点树来对待的。

二、xpath语法

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
..	选取当前节点的父节点。
@	选取属性。

例子

以下面这个xml为例子

<?xml version="1.0" encoding="ISO-8859-1"?><bookstore><book><title lang="eng">Harry Potter</title><price>29.99</price>
</book><book><title lang="eng">Learning XML</title><price>39.95</price>
</book></bookstore>

xml.xpath(“bookstore”) 表示选取 bookstore 元素的所有子节点
xml.xpath(“/bookstore”) 表示选取根元素 bookstore。
xml.xpath(“bookstore/book”) 选取属于 bookstore 的子元素的所有 book 元素。
xml.xpath(“//book”) 选取所有 book 子元素，而不管它们在文档中的位置。
xml.xpath(“bookstore//book”) 选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
xml.xpath(“//@lang”) 选取名为 lang 的所有属性。

谓语

路径表达式	结果
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()<3]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang=’eng’]	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

选取未知节点

通配符	描述
*	匹配任何元素节点。
@*	匹配任何属性节点。
node()	匹配任何类型的节点。

例子：

路径表达式	结果
/bookstore/*	选取 bookstore 元素的所有子元素。
//*	选取文档中的所有元素。
//title[@*]	选取所有带有属性的 title 元素。

选取若干路径

通过在路径表达式中使用“|”运算符，您可以选取若干个路径。

//book/title | //book/price 选取 book 元素的所有 title 和 price 元素。
//title | //price 选取文档中的所有 title 和 price 元素。
/bookstore/book/title | //price 选取属于 bookstore 元素的 book 元素的所有 title 元素，以及文档中所有的 price 元素。

三、轴

轴可定义相对于当前节点的节点集。

轴名称	结果
ancestor	选取当前节点的所有先辈（父、祖父等）。
ancestor-or-self	选取当前节点的所有先辈（父、祖父等）以及当前节点本身。
attribute	选取当前节点的所有属性。
child	选取当前节点的所有子元素。
descendant	选取当前节点的所有后代元素（子、孙等）。
descendant-or-self	选取当前节点的所有后代元素（子、孙等）以及当前节点本身。
following	选取文档中当前节点的结束标签之后的所有节点。
namespace	选取当前节点的所有命名空间节点。
parent	选取当前节点的父节点。
preceding	选取文档中当前节点的开始标签之前的所有节点。
preceding-sibling	选取当前节点之前的所有同级节点。
self	选取当前节点。

步的语法：
轴名称::节点测试[谓语]

例子：

例子	结果
child::book	选取所有属于当前节点的子元素的 book 节点。
attribute::lang	选取当前节点的 lang 属性。
child::*	选取当前节点的所有子元素。
attribute::*	选取当前节点的所有属性。
child::text()	选取当前节点的所有文本子节点。
child::node()	选取当前节点的所有子节点。
descendant::book	选取当前节点的所有 book 后代。
ancestor::book	选择当前节点的所有 book 先辈。
ancestor-or-self::book	选取当前节点的所有 book 先辈以及当前节点（如果此节点是 book 节点）
child::*/child::price	选取当前节点的所有 price 孙节点。

四、一些函数

1). starts-with函数

获取以xxx开头的元素
例子：xpath(‘//div[stars-with(@class,”test”)]’)

2) contains函数

获取包含xxx的元素
例子：xpath(‘//div[contains(@id,”test”)]’)

3) and

与的关系
例子：xpath(‘//div[contains(@id,”test”) and contains(@id,”title”)]’)

4) text()函数

例子1：xpath(‘//div[contains(text(),”test”)]’)
例子2：xpath(‘//div[@id=”“test]/text()’)

2、用xpath爬取糗事百科段子，并存入MongoDB

参考文章：https://blog.csdn.net/qq_41866851/article/details/85340884 文档结构分析

<div class="article block untagged mb15 typs_long" id='qiushi_tag_121891020'><div class="author clearfix">
<a href="/users/31993911/" target="_blank" rel="nofollow" style="height: 35px" onclick="_hmt.push(['_trackEvent','web-list-author-img','chick'])"><img src="//pic.qiushibaike.com/system/avtnew/3199/31993911/thumb/20190606190040.jpg?imageView2/1/w/90/h/90" alt="金失&金华">
</a>
<a href="/users/31993911/" target="_blank" onclick="_hmt.push(['_trackEvent','web-list-author-text','chick'])">
<h2>
金失&amp;金华…
</h2>
</a>
<div class="articleGender manIcon">34</div>
</div><a href="/article/121891020" target="_blank" class="contentHerf" onclick="_hmt.push(['_trackEvent','web-list-content','chick'])">
<div class="content">
<span>早上起晚了，匆匆忙忙去上班，刚出小区门口，正赶上邻居李姐提着早点要进来，她一边笑一边冲我打招呼，完全没注意到后面来了一辆汽车……<br/>小区的升降门一下子就起来了，一下怼到她下巴上，疼得她下意识伸手去挡，装包子的塑料袋瞬间掉到了她脚面上，豆腐脑一点也没浪费，全洒在了她的白t恤上，烫的她龇牙咧嘴，豆腐脑里的香菜叶在她胸..前微微摇晃着……<br/>我连忙上去帮忙，想把菜叶拿掉，一着急，踩到了路上撒的豆腐脑，这才一个趔趄撞到了李姐，手也不受控制的按在了李姐的胸.前………
…
</span><span class="contentForAll">查看全文</span></div>
</a>
<!-- 图片或gif --><div class="stats">
<!-- 笑脸、评论数等 --><span class="stats-vote"><i class="number">692</i> 好笑</span>
<span class="stats-comments">
<span class="dash"> · </span>
<a href="/article/121891020" data-share="/article/121891020" id="c-121891020" class="qiushi_comments" target="_blank" onclick="_hmt.push(['_trackEvent','web-list-comment','chick'])">
<i class="number">17</i> 评论
</a>
</span>
</div>

具体代码：

import requests
from lxml import etree
import pymongo
import timeclass QiushiSpider:def __init__(self):self.headers = {"User-Agent": "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)"}# 链接对象self.conn = pymongo.MongoClient("localhost", 27017)# 库对象self.db = self.conn["Qiushi_DB1"]# 集合对象self.myset = self.db["duanzi"]# 解析并写入数据库def parsePage(self, html):parseHtml = etree.HTML(html)# 基准XPath,每个段子对象baseList = parseHtml.xpath('//div[contains(@id,"qiushi_tag_")]')# for循环遍历每个段子对象,1个1个提取for base in baseList:# base : <element at ...># 用户昵称username = base.xpath('./div/a/h2')if username:username = username[0].textelse:username = "匿名用户"# 段子内容content = base.xpath('./a/div[@class="content"]/span/text()')content = "".join(content).strip()# 好笑数量laughNum = base.xpath('.//i[@class="number"]')[0].text# 评论数量commentsNum = base.xpath('.//i[@class="number"]')[1].text# 定义字典存mongod = {"username": username.strip(),"content": content.strip(),"laughNum": laughNum,"commentsNum": commentsNum}self.myset.insert_one(d)# 获取页面def getPage(self, url):response = requests.get(url, headers=self.headers)# response.enconding = "utf-8"html = response.textself.parsePage(html)def workOn(self):for page in range(1, 21):url = 'https://www.qiushibaike.com/text/page/' + str(page)+'/'print('正在爬取url：', url)self.getPage(url)time.sleep(2)if __name__ == "__main__":print("start crawling qiushibaike:")spider = QiushiSpider()spider.workOn()

正则爬取版本：

import requests
from lxml import etree
import pymongo
import time
import reheaders = {"User-Agent": "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)"}
conn = pymongo.MongoClient("localhost", 27017)
db = conn["qs_db"]
myset = db["qs_duanzi"]
base_url = 'https://www.qiushibaike.com/text/page/'for page in range(1, 21):url = base_url + str(page) + '/'print(url)response = requests.get(url, headers=headers)html = response.textduanzi = re.findall(r'<div class="article block untagged mb15.*?<img src="//(.*?)" alt=.*?<h2>(.*?)</h2>.*?<span>(.*?)</span>.*?<i class="number">(.*?)</i> 好笑</span>.*?<i class="number">(.*?)</i> 评论',html,re.S)print(len(duanzi))for i in range(0, len(duanzi)):user_icon_link, user_name, joke_content, like_num, comment_num = duanzi[i]print(user_icon_link, user_name, joke_content, like_num, comment_num)# 定义字典存mongod = {"user_icon_link": user_icon_link,"user_name": user_name.strip(),"joke_content": joke_content.strip(),"like_num": like_num,"comment_num": comment_num}myset.insert_one(d)print('爬取第%s页完毕，将要休眠2秒钟后继续爬取'%page)time.sleep(2)

3、对比分析单线程爬取和多线程爬取的效率

参考文章：https://www.cnblogs.com/toloy/p/8625328.html

# 导入队列包
import queue
# 导入线程包
import threading
# 导入json处理包
import json
# import pymongo
# 导入xpath处理包
from lxml import etree
# 导入请求处理包
import requestsclass ThreadCrawl(threading.Thread):'''定义爬取网页处理类，从页码队列中取出页面，拼接url，请求数据，并把数据存到数据队列中'''def __init__(self, threadName, pageQueue, dataQueue):'''构造函数:param threadName:当前线程名称:param pageQueue: 页面队列:param dataQueue: 数据队列'''super(ThreadCrawl, self).__init__()self.threadName = threadNameself.pageQueue = pageQueueself.dataQueue = dataQueueself.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.186 Safari/537.36"}def run(self):'''线程执行的run方法:return:'''while not self.pageQueue.empty():try:pageNum = self.pageQueue.get(False)url = "http://www.dfenqi.cn/Product/Category?category=4945805937081335060-0-0&pageIndex=" + str(pageNum)content = requests.get(url,headers = self.headers).textself.dataQueue.put(content)print(self.threadName + '爬取数据')except:pass# 解析线程是否结束的标识
PARSE_THREAD_EXIST = Falseclass ParseThread(threading.Thread):'''网页数据解析类'''def __init__(self,threadName,dataQueue,fileName):'''解析线程的构造函数:param threadName:当前线程名称:param dataQueue:数据队列:param fileName:文件名'''super(ParseThread,self).__init__()self.threadName = threadNameself.dataQueue = dataQueueself.fileName = fileNamedef run(self):'''解析线程的执行run方法，从数据队列取出数据，解析数据，再存入到本地文件中:return:'''while not PARSE_THREAD_EXIST:try:html = self.dataQueue.get(False)print(self.threadName + '取到数据')text = etree.HTML(html)# 解析网页中的数据，此处可根据需要，定制解析方法或解析类来实现titleList = text.xpath("//div[@class='liebiao']/ul/li/a/p/text()")with open(self.fileName,'a',encoding='utf-8') as f:for title in titleList:f.write(title + "\n")print(self.threadName + '解析完成')except:passdef main():'''调度方法，main入口执行方法:return:'''# 创建页码队列，用于存储页码pageQueue = queue.Queue(50)for i in range(1, 51):pageQueue.put(i)# 数据队列，用于存储爬取的数据供解析线程使用dataQueue = queue.Queue()# 将解析结果保存的文件名fileName = 'file.txt'# 爬取线程的名称列表cawlThreadNameList = ['线程一', '线程二']crawThreadlList = []for threadName in cawlThreadNameList:thread = ThreadCrawl(threadName, pageQueue, dataQueue)thread.start()crawThreadlList.append(thread)# 解析线程的名称列表parseThreadNameList = ['解析线程一','解析线程二']parseThreadList = []for threadName in parseThreadNameList:thread = ParseThread(threadName,dataQueue,fileName)thread.start()parseThreadList.append(thread)# 等待爬取线程处理结束for thread in crawThreadlList:thread.join()# 判断数据队列中是否处理完成了，当处理完成后，将退出解析线程标识为Trueif pageQueue.empty():global PARSE_THREAD_EXISTPARSE_THREAD_EXIST = True# 等待解析线程退出for thread in parseThreadList:thread.join()if __name__ == "__main__":main()