IT评测·应用市场-qidao123.com
标题:
Python爬虫小训练
[打印本页]
作者:
络腮胡菲菲
时间:
2024-6-21 15:00
标题:
Python爬虫小训练
爬虫的本质
爬虫的本质就是通过程序模仿正凡人向网站发送哀求获取信息。
关于爬虫的一些闲聊
按照我们的常识来说,我们不可能在1秒钟访问这个网站100次,哀求100次数据,以是过多的哀求很有可能会被网站认为你在使用脚本进行爬虫,可能会封你IP,大概说当你爬虫不修改UA头时,python会默认告诉网站自己是一个爬虫脚本,相当于明牌告诉别人自己是来爬你网站。而且要是网站有WAF,也可能设置有策略,不让你爬,固然要是你手法够硬,也是可以绕的。固然作者水平有限,而且各位在爬虫的时间要清楚哪些东西可以爬,哪些东西不能爬,不要触及了法律的红线。年纪轻轻就吃上了国家饭.QAQ
爬取某小说网站(URL已码)
import requests
import os
import parsel
end=input("你想爬取多少章?(阿拉伯数字输入,大于2):")
end= int(end)
print("正在爬取请稍等...")
#爬取第一页的内容
print("==============正在爬取第1章==============")
url = f'xxxxxxx'
response = requests.get(url=url)
response.encoding = response.apparent_encoding
html = response.text
# 解析html
selector = parsel.Selector(html)
# 获取文章标题
title = selector.css('.content h1::text').get()
#print(title)
# 获取小标题内容
content_1 = selector.css('#chaptercontent::text').get()
#print(content_1)
# passage = ''.join(selector.xpath('//div[@id="chaptercontent"]//text()').getall()).strip()
passage = ''.join(selector.css('#chaptercontent').xpath('./text()').getall()[:-4])
passage = passage.replace(' ', '\n')
#print(passage)
filename = 'xxxxxx\\'
if not os.path.exists(filename):
os.mkdir(filename)
with open(filename +title+ '.txt', mode='wb') as f:
f.write(passage.encode('utf-8'))
#后续内容
for page in range(2,end+1):
print(f"==============正在爬取第{page}章==============")
url = f'xxxxxxxxxxxxxxxxxxx'
response=requests.get(url=url)
response.encoding = response.apparent_encoding
html=response.text
# 解析html
selector=parsel.Selector(html)
# 获取文章标题
title=selector.css('.content h1::text').get()
#print(title)
# 获取小标题内容
#content_1 = selector.css('#chaptercontent::text').get()
#print(content_1)
#passage = ''.join(selector.xpath('//div[@id="chaptercontent"]//text()').getall()).strip()
passage = ''.join(selector.css('#chaptercontent').xpath('./text()').getall()[:-4])
passage=passage.replace(' ','\n')
#print(passage)
with open(filename + title+ '.txt', mode='wb') as f:
f.write(passage.encode('utf-8'))
print("爬取完成,已保存在同目录下")
复制代码
代码思绪
总之,我以为无论是爬那个网站,思绪上都大体差不多。
获取网站的html源码
用html解析器解析(我这里用的是parsel模块)
分析网页的布局,用解析器提炼出你想获取的东西
先获取单个,然后根据相同布局的页面用循环来实现翻页获取大量资源
如果爬取的资源过多,建议设置一个sleep函数,不要让服务器的负担过大,给网站的管理者造成负担。
ps:注意编码格式,许多时间打印不出东西都是由于格式的问题。本人照旧学生,也是初学者,代码写的比力草率,旨在记载学习。如有错误接待指出改正。
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!更多信息从访问主页:qidao123.com:ToB企服之家,中国第一个企服评测及商务社交产业平台。
欢迎光临 IT评测·应用市场-qidao123.com (https://dis.qidao123.com/)
Powered by Discuz! X3.4