圆月山庄资源网 Design By www.vgjia.com
如下所示:
# requests模块来请求页面
# lxml模块的html构建selector选择器(格式化响应response)
# from lxml import html
# import requests
# response = requests.get(url).content
# selector = html.formatstring(response)
# hrefs = selector.xpath('/html/body//div[@class='feed-item _j_feed_item']/a/@href')
# 以url = 'https://www.mafengwo.cn/gonglve/ziyouxing/2033.html'为例子
# python 2.7 import requests from lxml import html import os
# 获取首页中子页的url链接 def get_page_urls(url): response = requests.get(url).content # 通过lxml的html来构建选择器 selector = html.fromstring(response) urls = [] for i in selector.xpath("/html/body//div[@class='feed-item _j_feed_item']/a/@href"): urls.append(i) return urls
# get title from a child's html(div[@class='title']) def get_page_a_title(url): '''url is ziyouxing's a@href''' response = requests.get(url).content selector = html.fromstring(response) # get xpath by chrome's tool --> /html/body//div[@class='title']/text() a_title = selector.xpath("/html/body//div[@class='title']/text()") return a_title
# 获取页面选择器(通过lxml的html构建) def get_selector(url): response = requests.get(url).content selector = html.fromstring(response) return selector
# 通过chrome的开发者工具分析html页面结构后发现,我们需要获取的文本内容主要显示在div[@class='l-topic']和div[@class='p-section']中
# 获取所需的文本内容 def get_page_content(selector): # /html/body/div[2]/div[2]/div[1]/div[@class='l-topic']/p/text() page_title = selector.xpath("//div[@class='l-topic']/p/text()") # /html/body/div[2]/div[2]/div[1]/div[2]/div[15]/div[@class='p-section']/text() page_content = selector.xpath("//div[@class='p-section']/text()") return page_title,page_content
# 获取页面中的图片url地址 def get_image_urls(selector): imagesrcs = selector.xpath("//img[@class='_j_lazyload']/@src") return imagesrcs
# 获取图片的标题 def get_image_title(selector, num) # num 是从2开始的 url = "/html/body/div[2]/div[2]/div[1]/div[2]/div["+num+"]/span[@class='img-an']/text()" if selector.xpath(url) is not None: image_title = selector.xpath(url) else: image_title = "map"+str(num) # 没有就起一个 return image_title
# 下载图片 def downloadimages(selector,number): '''number是用来计数的''' urls = get_image_urls() num = 2 amount = len(urls) for url in urls: image_title = get_image_title(selector, num) filename = "/home/WorkSpace/tour/words/result"+number+"/+"image_title+".jpg" if not os.path.exists(filename): os.makedirs(filename) print('downloading %s image %s' %(number, image_title)) with open(filename, 'wb') as f: f.write(requests.get(url).content) num += 1 print "已经下载了%s张图" %num
# 入口,启动并把获取的数据存入文件中 if __name__ =='__main__': url = 'https://www.mafengwo.cn/gonglve/ziyouxing/2033.html' urls = get_page_urls(url) # turn to get response from html number = 1 for i in urls: selector = get_selector(i) # download images downloadimages(selector,number) # get text and write into a file page_title, page_content = get_page_content(selector) result = page_title+'\n'+page_content+'\n\n' path = "/home/WorkSpace/tour/words/result"+num+"/" if not os.path.exists(filename): os.makedirs(filename) filename = path + "num"+".txt" with open(filename,'wb') as f: f.write(result) print result
到此就结束了该爬虫,爬取页面前一定要认真分析html结构,有些页面是由js生成,该页面比较简单,没涉及到js的处理,日后的随笔中会有相关分享
以上这篇requests和lxml实现爬虫的方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
标签:
requests,爬虫
圆月山庄资源网 Design By www.vgjia.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件! 如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
圆月山庄资源网 Design By www.vgjia.com
暂无评论...
P70系列延期,华为新旗舰将在下月发布
3月20日消息,近期博主@数码闲聊站 透露,原定三月份发布的华为新旗舰P70系列延期发布,预计4月份上市。
而博主@定焦数码 爆料,华为的P70系列在定位上已经超过了Mate60,成为了重要的旗舰系列之一。它肩负着重返影像领域顶尖的使命。那么这次P70会带来哪些令人惊艳的创新呢?
根据目前爆料的消息来看,华为P70系列将推出三个版本,其中P70和P70 Pro采用了三角形的摄像头模组设计,而P70 Art则采用了与上一代P60 Art相似的不规则形状设计。这样的外观是否好看见仁见智,但辨识度绝对拉满。
更新日志
2024年11月07日
2024年11月07日
- 雨林唱片《赏》新曲+精选集SACD版[ISO][2.3G]
- 罗大佑与OK男女合唱团.1995-再会吧!素兰【音乐工厂】【WAV+CUE】
- 草蜢.1993-宝贝对不起(国)【宝丽金】【WAV+CUE】
- 杨培安.2009-抒·情(EP)【擎天娱乐】【WAV+CUE】
- 周慧敏《EndlessDream》[WAV+CUE]
- 彭芳《纯色角3》2007[WAV+CUE]
- 江志丰2008-今生为你[豪记][WAV+CUE]
- 罗大佑1994《恋曲2000》音乐工厂[WAV+CUE][1G]
- 群星《一首歌一个故事》赵英俊某些作品重唱企划[FLAC分轨][1G]
- 群星《网易云英文歌曲播放量TOP100》[MP3][1G]
- 方大同.2024-梦想家TheDreamer【赋音乐】【FLAC分轨】
- 李慧珍.2007-爱死了【华谊兄弟】【WAV+CUE】
- 王大文.2019-国际太空站【环球】【FLAC分轨】
- 群星《2022超好听的十倍音质网络歌曲(163)》U盘音乐[WAV分轨][1.1G]
- 童丽《啼笑姻缘》头版限量编号24K金碟[低速原抓WAV+CUE][1.1G]