【Python3爬虫】用Python中的队列来写爬虫
一、写在前面
当你看着你的博客的阅读量慢慢增加的时候,内心不禁有了些小激动,但是不得不吐槽一下--博客园并不会显示你的博客的总阅读量是多少。而这一篇博客就将教你怎么利用队列这种结构来编写爬虫,最终获取你的博客的总阅读量。
二、必备知识
队列是常用数据结构之一,在Python3中要用queue这个模块来实现。queue这个模块实现了三种队列:
class queue.Queue(maxsize=0):FIFO队列(first in first out),先进先出,第一个进入队列的元素会第一个从队列中出来。maxsize用于设置队列里的元素总数,若小于等于0,则总数为无限大。
class queue.LifoQueue(maxsize=0):LIFO队列(last in first out),后进先出,最后一个进入队列的元素会第一个从队列中出来。maxsize用于设置队列里的元素总数,若小于等于0,则总数为无限大。
class queue.PriorityQueue(maxsize=0):优先级队列(first in first out),给队列中的元素分配一个数字标记其优先级。maxsize用于设置队列里的元素总数,若小于等于0,则总数为无限大。
这次我使用的是Queue这个队列,Queue对象中包含的主要方法如下:
Queue.put(item, block=True, timeout=None):将元素放入到队列中。block用于设置是否阻塞,如果timeout为正数,表明最多阻塞多少秒。
Queue.get(block=True, timeout=None):从队列中删除并返回一个元素,如果队列为空,则报错。block用于设置是否阻塞,如果timeout为正数,表明最多阻塞多少秒。
Queue.empty():判断队列是否为空,如果队列为空,返回False,否则返回True。
三、具体步骤
首先进入博客,然后打开开发者工具选择查看元素,如下:
这里只要定位到类名为postDesc的div节点就可以提取到我们想要的阅读量信息了,这一步是很简单的。问题在于如何实现翻页?先定位到下一页查看一下元素:
好像定位到id为nav_next_page的div节点就行了,是这样吗?点击进入下一页,然后再次定位查看一下:
可以看到用之前定位div节点的方法已经不行了,怎么办呢?我的解决办法是用正则表达式进行匹配,因为下一页对应的元素都是这样的:
<a href="链接">下一页</a>
所以只需要进行一下正则匹配就能获取下一页的链接了,如果获取不到,就说明已经是最后一页了!
四、完整代码
1 """ 2 Version: Python3.5 3 Author: OniOn 4 Site: http://www.cnblogs.com/TM0831/ 5 Time: 2019/3/11 10:46 6 """ 7 import re 8 import queue 9 import requests 10 from lxml import etree 11 12 13 class CrawlQueue: 14 def __init__(self): 15 """ 16 初始化 17 """ 18 self.q = queue.Queue() # 爬取队列 19 self.username = input("请输入您的博客名称:") 20 self.q.put("http://www.cnblogs.com/" + self.username) 21 self.urls = ["http://www.cnblogs.com/" + self.username] # 记录爬取过的url 22 self.result = [] # 储存阅读量数据 23 24 def request(self, url): 25 """ 26 发送请求和解析网页 27 :param url: 链接 28 :return: 29 """ 30 res = requests.get(url) 31 et = etree.HTML(res.text) 32 lst = et.xpath('//*[@class="postDesc"]/text()') 33 for i in lst: 34 num = i.split(" ")[5].lstrip("阅读(").rstrip(")") 35 self.result.append(int(num)) 36 37 # 下一页 38 next_page = re.search('<a href="(.*?)">下一页</a>', res.text) 39 if next_page: 40 href = next_page.group().split(' ')[-1].replace('<a href="', '').replace('">下一页</a>', '') 41 if href not in self.urls: # 确保之前没有爬过 42 self.q.put(href) 43 self.urls.append(href) 44 45 def get_url(self): 46 """ 47 从爬取队列中取出url 48 :return: 49 """ 50 if not self.q.empty(): 51 url = self.q.get() 52 self.request(url) 53 54 def main(self): 55 """ 56 主函数 57 :return: 58 """ 59 while not self.q.empty(): 60 self.get_url() 61 62 63 if __name__ == '__main__': 64 crawl = CrawlQueue() 65 crawl.main() 66 print("您的博客总阅读量为:{}".format(sum(crawl.result)))
完整代码已上传到GitHub!
转载于:https://www.cnblogs.com/TM0831/p/10510319.html
【Python3爬虫】用Python中的队列来写爬虫相关推荐
- python中的队列和栈_python的队列和栈
(一)队列和栈的区别 1.队列: 队列是一种特殊的线性表.其两头都有限制,插入只能在表的一端进行(只进不出),而删除只能在表的另一端进行(只出不进),允许删除的一端称为队尾(rear),允许插入的一端 ...
- python中 getnode用法_node.js 爬虫入门总结
node.js爬虫 前端同学可能向来对爬虫不是很感冒,觉得爬虫需要用偏后端的语言,诸如 php , python 等.当然这是在 nodejs 前了,nodejs 的出现,使得 Javascript ...
- [转载] 【零基础学爬虫】python中的yield详解
参考链接: 什么时候在Python中使用yield而不是return python中的yield功能比较强大,什么意思呢?如果一个函数f内使用了yield关键词,那么该函数就可以这样使用: for i ...
- 【网络爬虫】python中的数据解析工具(re,bs4,xpath,pyquery)
1.基础知识 1.1 正则(re) Regular Expression, 正则表达式, ⼀种使⽤表达式的⽅式对字符进⾏匹配的语法规则. ⽹⻚源代码本质上就是⼀个超⻓的字符串, 想从⾥⾯提取内容.⽤正 ...
- python爬虫百科-Python从概念上先了解爬虫
什么是爬虫 爬虫:就是抓取网页数据的程序.搜索引擎的底层其实就是爬虫. 百度百科:网络爬虫 关于Python爬虫,我们需要学习的有: Python基础语法学习(基础知识) HTML页面的内容抓取(数据 ...
- python一个月能学成嘛-0基础学Python,1个月写爬虫,走了哪些弯路?
你是如何自学Python的? 今天我们来分享一位小伙伴的自学之路.当然,如果你没有任何编程基础,也将会和他一样走很多弯路,如果有条件希望你能够找到老师带领. 0基础小白的自学之路 首先介绍下我的背景, ...
- python爬虫的数据如何解决乱码_写爬虫时如何解决网页乱码问题
实战讲解,文章较长,对爬虫比较熟悉的浏览翻看章节 2.3 获取新闻文本内容. 写爬虫时经常对网址发起请求,结果返回的html数据除了标签能看懂,其他的全部是乱码.大家如果对爬虫感兴趣,请耐心阅读本文, ...
- python中空格键怎么写_python的空格键
广告关闭 腾讯云11.11云上盛惠 ,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高返5000元! 我使用pyqt 5和python 3创建了工作ui,除了单击按钮外,还想通过按键 ...
- python中文件路径怎么写?
绝对地址 1.双反斜杆 \\ 我们知道,文件夹地址中有这样的反斜杆 \,但是这样的斜杆在python字符串中代表的是转义符,是将后一个字符进行转义,比如,\n,\r,\',但是要单独再输出反斜杆,就可 ...
最新文章
- c语言分支结构程序设计教学设计 赛课,《分支结构程序设计》教学设计.doc
- SAP EWM - 其他主数据 - 运输主数据-1
- layui循环数据并渲染_layui使用表格渲染获取行数据的例子
- 十一、Shell 文件包含
- 《51单片机应用开发从入门到精通》——2.6 中断控制功能的作用
- linux nat span端口镜像,SPAN端口镜像
- 重温“ Java Sucks”
- DreamFactory 第7章 限制和记录API请求
- 使用 Inno Setup 快速打包你的应用程序
- URL 中,查询字符串与HTML实体冲突,可能带来的问题.
- bzoj 3680: 吊打XXX
- Java面向对象编程三大特征-多态
- python 无头浏览器_python3使用无头浏览器
- 基于单片机的脉搏心率远程监测
- 学习微信开发公众号的第一天(根据文字自动回复文字)
- 如何开发Android安卓RFID读卡APP
- android 表情键盘切换,如何在键盘之间切换(从表情符号到qwerty,反之亦然)
- pythonapi是什么意思_API是什么意思?API文档又是什么意思?
- 群发微信图文消息,但是正文中的图片却不显示
- Spring Data JPA-单向一对一关联映射
热门文章
- 团队项目:个人工作总结06
- UIPickView 和 UIDatePicker
- UIAlertController (UIActionSheet, UIAlertView is deprecated in iOS 8.)
- 访问数据库时如何解决并发问题
- selector的使用
- centos 7.4 + postgresql 10.1 + pg_amqp
- Myeclipse连接数据库删除数据库(JDBC)
- 【Spring学习笔记-MVC-1.3】消息转换器HttpMessageConverter
- ASP.net MVC Mock Context(上下文)
- SQL数据库从高版本到低版本的迁移,同时解决sql脚本文件太大无法打开的尴尬问题