Python学习记录-网站爬点句子

背景

想用python上网爬点句子，于是花一下午的时间来做这件事，这只是一个简单的例子，不过对于入坑来说nn

conda使用

顺便添加一下conda的使用，之前一直是用python自带的virtualenv工具，安装了anoconda后还是觉得conda比较好用；

1. 创建一个环境

   $ conda create -n vir_name python=2.7
   

2. 使用环境

   $ source activate vir_name
   

3. 安装工具

   $ conda install tools_name # or
   
   $ pip install tools_name
   

Beautiful Soup安装

linux下安装

apt-get isntall python-bs4

urllib2

自行解决吧！

开始写代码了

首先我们需要用到这么些个库，自行去匹配吧，环境没有，自己去凑；

#!/usr/bin/python
# coding:utf-8

import urllib2 
import re 
from bs4 import BeautifulSoup
from distutils.filelist import findall
 
import time
import sys
import os

import socket

接下来的这两段解决的是，默认的网络请求超时时间设定，以及解决系统编码问题，因为使用过程中会遇到乱码的问题（本人使用mac系统，参考教程使用的是win系统）

second_out = 200
socket.setdefaulttimeout(second_out) 

reload(sys)
sys.setdefaultencoding('utf-8')

我们爬取的网站是一个句子网，静态网站比较好操作，而且网址的形式就是下面的前缀，加1000+的数字，所以我们只需要写一个循环，每隔一定时间请求新的网站地址就可以了；

web = "http://www.siandian.com/yulu/"

为了防止程序异常出现导致请求网站的索引丢失，我们把已经请求过的网址索引保存起来，下次请求从本地“恢复现场”，这样就不会重复请求了；

global index
    index = 1351

    index_path = os.path.join(os.getcwd(), 'index.txt')
    if not os.path.exists(index_path):
        with open(index_path, 'w') as f:
            s = str(index)
            f.write(s)

    with open(index_path, 'r') as f:
        s = f.read()
        print s
        index = int(s)

• 下面的说明会写在代码里

image_1d0lk9rapih31pcjcft1puv1ach9.png-428.4kB

def get_page(index):
    url = web + "{}.html".format(index)
    request = urllib2.Request(url)
    page = urllib2.urlopen(request, timeout=second_out) 
    return page
    
while True: # 我们需要一个一直运行的循环
        
        page = get_page(index) # 获取请求的网站内容
        time.sleep(1) # 有些网站对频繁请求的IP会做处理，另外网页请求需要时间处理，所以我们每隔一定时间去请求新的内容

        try:
            if page != None:
                contents = page.read()
                # print contents
                soup = BeautifulSoup(contents, "html.parser", fromEncoding="gb18030")
                
                # 下面这两句是解决编码问题的，因为会涉及到中文输出乱码的问题
                soup.originalEncoding
                soup.prettify()
                # print soup.prettify()
                print "当前索引：{}".format(index)

                # print soup.title
                # print soup.head
                # print soup.p
                # print soup.a
                
                # 这里其实就是我们的重点处理，使用find_all函数可以找到网页中所有<p>名字的标签，返回类型为{bs4.element.Tag}，可以去查一下，通过Tag可以直接把文本取出来；
                
                ppps = soup.find_all('p')

                path_dir = os.path.join(os.getcwd(), "txt")
                if not os.path.exists(path_dir):
                    os.mkdir(path_dir)
                
                if len(ppps) > 10:

                    file_path = "{}/{}.txt".format(path_dir,index)
                    if os.path.exists(file_path):
                        index += 1
                        continue

                    with open(file_path, 'w') as f:
                        for cont in soup.find_all('p'):
                            # print type(cont) # bs4.element.Tag
                            # 其实真正解决中文乱码问题的应该是这句
                            text = cont.text.encode('utf-8').decode('utf-8')
                            f.write(text + '\n')

                    # 最后我们把找到的文本标签写入文件
                    with open(index_path, 'w') as f:
                        f.write("{}".format(index))
                else:
                    print "无信息可保存！！！"
                    index += 1
                    continue
            else:
                print "index: {} ----> None".format(index)

        except Exception as e:

            print "处理网址异常！！！"
            print e
            index += 1

            continue
        finally:

            print "finally"
            with open(index_path, 'w') as f:
                f.write("{}".format(index))
            pass    

结果

image_1d0lken6rd6ep9sf5s1oofcl9.png-120.7kB

后记

具体如何进一步通过标签找到自己想要的网站内容，请自行学习，路漫漫其修远兮，吾程序员将上下而求码~~~