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
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
白云城资源网 Copyright www.dyhadc.com
暂无“requests和lxml实现爬虫的方法”评论...
RTX 5090要首发 性能要翻倍!三星展示GDDR7显存
三星在GTC上展示了专为下一代游戏GPU设计的GDDR7内存。
首次推出的GDDR7内存模块密度为16GB,每个模块容量为2GB。其速度预设为32 Gbps(PAM3),但也可以降至28 Gbps,以提高产量和初始阶段的整体性能和成本效益。
据三星表示,GDDR7内存的能效将提高20%,同时工作电压仅为1.1V,低于标准的1.2V。通过采用更新的封装材料和优化的电路设计,使得在高速运行时的发热量降低,GDDR7的热阻比GDDR6降低了70%。
更新日志
2025年04月26日
2025年04月26日
- 小骆驼-《草原狼2(蓝光CD)》[原抓WAV+CUE]
- 群星《欢迎来到我身边 电影原声专辑》[320K/MP3][105.02MB]
- 群星《欢迎来到我身边 电影原声专辑》[FLAC/分轨][480.9MB]
- 雷婷《梦里蓝天HQⅡ》 2023头版限量编号低速原抓[WAV+CUE][463M]
- 群星《2024好听新歌42》AI调整音效【WAV分轨】
- 王思雨-《思念陪着鸿雁飞》WAV
- 王思雨《喜马拉雅HQ》头版限量编号[WAV+CUE]
- 李健《无时无刻》[WAV+CUE][590M]
- 陈奕迅《酝酿》[WAV分轨][502M]
- 卓依婷《化蝶》2CD[WAV+CUE][1.1G]
- 群星《吉他王(黑胶CD)》[WAV+CUE]
- 齐秦《穿乐(穿越)》[WAV+CUE]
- 发烧珍品《数位CD音响测试-动向效果(九)》【WAV+CUE】
- 邝美云《邝美云精装歌集》[DSF][1.6G]
- 吕方《爱一回伤一回》[WAV+CUE][454M]