爬虫项目实战四:爬取语录大全
爬取语录大全
- 目标
- 项目准备
- 网站分析
- 反爬分析
- 每一页的链接分析
- 代码实现
- 效果显示
目标
爬取语录,批量下载到本地。
项目准备
软件:Pycharm
第三方库:requests,fake_useragent,re,lxml
网站地址:http://www.yuluju.com
网站分析
打开网站。
有很多分类,不同类型的语录。
点击爱情语录,发现上方网址变化为http://www.yuluju.com/aiqingyulu/
点击搞笑语录,也会发生类似的变化。
以下类似。
判断是否为静态网页。
有页码跳转一般为静态网页。
Ctrl+U查看源代码,Ctrl+F调出搜索框,输入一些网页上出现的文字。
可以找到。静态网页。
反爬分析
同一个ip地址去多次访问会面临被封掉的风险,这里采用fake_useragent,产生随机的User-Agent请求头进行访问。
每一页的链接分析
第一页:http://www.yuluju.com/aiqingyulu/list_18_1.html
第二页:http://www.yuluju.com/aiqingyulu/list_18_2.html
第三页:http://www.yuluju.com/aiqingyulu/list_18_3.html
可以发现,每页的变化会随着数字变化。
当然这里分析的是爱情语录这一栏目,其它的也类似。
代码实现
1.导入相对应的第三方库,定义一个class类继承object,定义init方法继承self,主函数main继承self。
import requests
from fake_useragent import UserAgent
from lxml import etree
class yulu(object):def __init__(self):self.url = 'http://www.yuluju.com'ua = UserAgent(verify_ssl=False)#随机产生user-agentfor i in range(1, 100):self.headers = {'User-Agent': ua.random}def mian(self):pass
if __name__ == '__main__':spider = yulu()spider.main()
2.交互界面
print(' 1.励志语录\n''2.爱情语录\n''3.搞笑语录\n''4.人生语录\n''5.情感语录\n''6.经典语录\n''7.伤感语录\n''8.名人语录\n''9.心情语录\n')select=int(input('请输入您的选择:'))if (select==1):url=self.url+'lizhimingyan/list_1_{}.html'elif (select==2):url = self.url + 'aiqingyulu/list_18_{}.html'elif (select==3):url = self.url + 'gaoxiaoyulu/list_19_{}.html'elif (select==4):url=self.url+'renshenggeyan/list_14_{}.html'elif (select==5):url=self.url+'qingganyulu/list_23_{}.html'elif (select==6):url=self.url+'jingdianyulu/list_12_{}.html'elif (select==7):url=self.url+'shangganyulu/list_21_{}.html'elif (select==8):url=self.url+'mingrenmingyan/list_2_{}.html'else:url=self.url+'xinqingyulu/list_22_{}.html'
3.发送请求,获取网页。
def get_html(self,url):response=requests.get(url,headers=self.headers)html=response.content.decode('gb2312')#经过测试这里是'gb2312'return html
4.解析网页,获取文本信息。
def parse_html(self,html):#获取每页中的链接地址和标题datas=re.compile('<a href="(.*?)" class="title" target="_blank">(.*?)</a>').findall(html)for data in datas:host='http://www.yuluju.com'+data[0]res=requests.get(host,headers=self.headers)con=res.content.decode('gb2312')target=etree.HTML(con)#获取文本内容results=target.xpath('//div[@class="content"]/div/div/span/text()')filename=data[1]#保存本地with open('F:/pycharm文件/document/'+filename+'.txt','a',encoding='utf-8')as f:for result in results:f.write(result+'\n')
5.获取多页及主函数调用。
def main(self):print('1.励志语录\n''2.爱情语录\n''3.搞笑语录\n''4.人生语录\n''5.情感语录\n''6.经典语录\n''7.伤感语录\n''8.名人语录\n''9.心情语录\n')select=int(input('请输入您的选择:'))if (select==1):url=self.url+'lizhimingyan/list_1_{}.html'elif (select==2):url = self.url + 'aiqingyulu/list_18_{}.html'elif (select==3):url = self.url + 'gaoxiaoyulu/list_19_{}.html'elif (select==4):url=self.url+'renshenggeyan/list_14_{}.html'elif (select==5):url=self.url+'qingganyulu/list_23_{}.html'elif (select==6):url=self.url+'jingdianyulu/list_12_{}.html'elif (select==7):url=self.url+'shangganyulu/list_21_{}.html'elif (select==8):url=self.url+'mingrenmingyan/list_2_{}.html'else:url=self.url+'xinqingyulu/list_22_{}.html'start = int(input('输入开始:'))end = int(input('输入结束页:'))for page in range(start, end + 1):print('第%s页开始:...' % page)newUrl=url.format(page)html=self.get_html(newUrl)self.parse_html(html)print('第%s页爬取完成!'%page)
效果显示
打开文件目录
爬取其它栏目也是可以的,就不做演示了,都一样。
完整代码如下:
import requests
from fake_useragent import UserAgent
import re
from lxml import etree
class yulu(object):def __init__(self):self.url='http://www.yuluju.com/'ua = UserAgent(verify_ssl=False)for i in range(1, 100):self.headers = {'User-Agent': ua.random}def get_html(self,url):response=requests.get(url,headers=self.headers)html=response.content.decode('gb2312')return htmldef parse_html(self,html):datas=re.compile('<a href="(.*?)" class="title" target="_blank">(.*?)</a>').findall(html)for data in datas:host='http://www.yuluju.com'+data[0]res=requests.get(host,headers=self.headers)con=res.content.decode('gb2312')target=etree.HTML(con)results=target.xpath('//div[@class="content"]/div/div/span/text()')filename=data[1]with open('F:/pycharm文件/document/'+filename+'.txt','a',encoding='utf-8')as f:for result in results:f.write(result+'\n')def main(self):print('1.励志语录\n''2.爱情语录\n''3.搞笑语录\n''4.人生语录\n''5.情感语录\n''6.经典语录\n''7.伤感语录\n''8.名人语录\n''9.心情语录\n')select=int(input('请输入您的选择:'))if (select==1):url=self.url+'lizhimingyan/list_1_{}.html'elif (select==2):url = self.url + 'aiqingyulu/list_18_{}.html'elif (select==3):url = self.url + 'gaoxiaoyulu/list_19_{}.html'elif (select==4):url=self.url+'renshenggeyan/list_14_{}.html'elif (select==5):url=self.url+'qingganyulu/list_23_{}.html'elif (select==6):url=self.url+'jingdianyulu/list_12_{}.html'elif (select==7):url=self.url+'shangganyulu/list_21_{}.html'elif (select==8):url=self.url+'mingrenmingyan/list_2_{}.html'else:url=self.url+'xinqingyulu/list_22_{}.html'start = int(input('输入开始:'))end = int(input('输入结束页:'))for page in range(start, end + 1):print('第%s页开始:...' % page)newUrl=url.format(page)html=self.get_html(newUrl)self.parse_html(html)print('第%s页爬取完成!'%page)
if __name__ == '__main__':spider = yulu()spider.main()
声明:仅做自己学习参考使用。
爬虫项目实战四:爬取语录大全相关推荐
- python网络爬虫--项目实战--scrapy爬取人人车(5)
一.目标 爬取多页人人车的车辆信息 二.分析 2.1 网站分析 在网页源代码中可以搜索到页面中的数据,所以可以判断该页面为静态加载的 三.完整代码 renrenche.py import scrapy ...
- Python网络爬虫--项目实战--scrapy爬取人人车
一.目标 爬取多页人人车的车辆信息 二.分析 2.1 网站分析 在网页源代码中可以搜索到页面中的数据,所以可以判断该页面为静态加载的 三.完整代码 renrenche.py import scrapy ...
- 爬虫项目三:爬取选课信息
爬虫项目三:爬取whut-jwc选课信息 项目实现:主要获得通识选修.个性选课.英语体育选课的课程信息 核心: 1.实现网页登陆 2.爬取课程信息 一.网页信息登陆 from selenium imp ...
- 手把手带你爬虫 | 爬取语录大全
目标 爬取语录,批量下载到本地. 项目准备 软件:Pycharm 第三方库:requests,fake_useragent,re,lxml 网站地址:http://www.yuluju.com 网站分 ...
- python爬虫实战之爬取成语大全
业余时间,想学习中华文化之成语,身边没有成语词典,网上一个个翻网页又比较懒,花了半个小时搞定数字成语词典,你值得拥有! 爬取思路 找到首页网址:https://www.chengyucidian.ne ...
- python壁纸数据抓取_python爬虫多线程实战:爬取美桌1080p壁纸图片
本人纯手工码字哦,请耐心看完,有信心可以带你完整学会这个实战案例 一.需求分析: 1.下载 http://www.win4000.com/wallpaper.html 下指定分类 指定尺寸 的图片 2 ...
- Python3爬虫项目集:爬取知乎十几万张小姐姐美图
文章目录 前言 注意点 代码实例 前言 github:https://github.com/pasca520/Python3SpiderSet 知乎上有很多钓鱼贴,也成功的钓上了很多鱼,你懂的~~~ ...
- elasticSearch的基本使用加项目实战(Java爬取数据+elasticSearch)
一.es的安装 2.1.Es安装 为了避免出现不必要的一些问题, 我们这里选择 7.3.1版本 1. 安装es 下载 https://www.elastic.co/downloads/past-rel ...
- Requests库实战(四)---爬取肯德基餐厅地址信息
功能:爬取查询后的肯德基餐厅的地址信息 地址:http://www.kfc.com.cn/kfccda/storelist/index.aspx 亮点是post请求的参数有两组:查询字符串参数,表单数 ...
最新文章
- 使用Windows7上的VS Code打开远程机Ubuntu上的文件操作步骤
- 中北大学c语言程序设计作业答案,2016年中北大学软件学院程序设计基础考研复试题库...
- “玩转课堂”软件需求规格说明
- POJ 2135 Farm Tour amp;amp; HDU 2686	Matrix amp;amp; HDU 3376	Matrix Again 费用流求来回最短路...
- Python如何打包EXE可执行文件
- Flex与外部的数据通信
- [SIR数据集实验][2]Java类数据集相应工具使用的小经验
- redis 持久化性能_高性能持久消息
- Matlab中的eig函数和Opecv中eigen()函数的区别
- 深度学习笔记(26) 卷积神经网络
- Week4——Hello.java分析
- yolov3代码详细解读
- hdu4616_Game_树形DP
- 熬了三个通宵的CV学习心法!我开眼了!
- softmax ce loss_从Softmax到AMSoftmax(附可视化代码和实现代码)
- 计算机底部怎么不显示网络连接图标不见了,电脑任务栏不显示网络连接图标怎么办...
- Android Reboot 命令执行过程
- android官方转圈圈,android 弹出之后,一直转圈圈??
- 尚硅谷《全套Java、Android、HTML5前端视频》
- 防火墙——GRE隧道讲解