美文网首页菜鸡爬虫修炼史
爬取百度贴吧原创小说

爬取百度贴吧原创小说

作者: Dash_chan | 来源:发表于2017-12-26 00:05 被阅读19次

最近都没怎么写代码,忙着上班,每天上到晚上九点半,回来看视频,学习scrapy,写了个小项目,无法传回下一页链接继续爬取。。。。还在调试。

期间又写了个爬取贴吧小爬虫练练xpath提取规则,用的不是很熟。还是有错误。

# -*- coding: utf-8 -*-
import requests
from lxml import etree

def gethtml(url):
    header = {'User-Agent' :'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'}
    r = requests.get(url, headers=header)
    return r.content

def parsehtml(html):
    selector = etree.HTML(html)
    name = selector.xpath('//*[@id="j_core_title_wrap"]/h3/text()')[0]
    author = selector.xpath('//*[@id="j_p_postlist"]/div[1]/div[1]/ul/li[3]/a/text()')[0]
    time = selector.xpath('//*[@id="j_p_postlist"]/div[1]/div[2]/div[4]/div[1]/div/span[3]/text()')[0]
    infos = selector.xpath('//div[@class="d_post_content_main "]/div[1]')
    for info in infos:
        paper = info.xpath('string(.)').strip().encode('utf-8')
        f = open('001.text', 'a', encoding='utf-8')
        print(paper)
        f.write(str(paper))
        f.close()

def main(infourl):
    html = gethtml(infourl)
    parsehtml(html)

main("https://tieba.baidu.com/p/5366583054?see_lz=1")

打开content.txt是这个鬼样子:


image.png

使用encode大法修改代码:

def parsehtml(html):
    selector = etree.HTML(html)
    name = selector.xpath('//*[@id="j_core_title_wrap"]/h3/text()')[0].encode('utf-8')
    author = selector.xpath('//*[@id="j_p_postlist"]/div[1]/div[1]/ul/li[3]/a/text()')[0].encode('utf-8')
    time = selector.xpath('//*[@id="j_p_postlist"]/div[1]/div[2]/div[4]/div[1]/div/span[3]/text()')[0].encode('utf-8')
    infos = selector.xpath('//div[@class="d_post_content_main "]/div[1]')
    for info in infos:
        paper = info.xpath('string(.)').strip().encode('utf-8')
        return paper

得到的文件时这个鬼样:


image.png

可是我要写成这样子的话:

# -*- coding: utf-8 -*-
import requests
from lxml import etree

url = "https://tieba.baidu.com/p/5366583054?see_lz=1"
header = {'User-Agent' :'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'}
r = requests.get(url, headers=header)

selector = etree.HTML(r.text)
name = selector.xpath('//*[@id="j_core_title_wrap"]/h3/text()')[0]
author = selector.xpath('//*[@id="j_p_postlist"]/div[1]/div[1]/ul/li[3]/a/text()')[0]
time = selector.xpath('//*[@id="j_p_postlist"]/div[1]/div[2]/div[4]/div[1]/div/span[3]/text()')[0]
infos = selector.xpath('//div[@class="d_post_content_main "]/div[1]')
for info in infos:
    paper = info.xpath('string(.)').strip()
    print(paper + '\n')
    f = open('content.text', 'a', encoding='utf-8')
    f.write(str(paper) + '\n')
    f.close()

content文件又能正常显示出中文,


image.png

后来我索性新建一个文件,把第二个程序代码改装一下:

# -*- coding: utf-8 -*-
import requests
from lxml import etree

def gethtml(url):
    # url = "https://tieba.baidu.com/p/5366583054?see_lz=1"
    header = {'User-Agent' :'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'}
    r = requests.get(url, headers=header)
    html = r.text
    return html

def parsehtml(html):
    selector = etree.HTML(html)
    name = selector.xpath('//*[@id="j_core_title_wrap"]/h3/text()')[0]
    author = selector.xpath('//*[@id="j_p_postlist"]/div[1]/div[1]/ul/li[3]/a/text()')[0]
    time = selector.xpath('//*[@id="j_p_postlist"]/div[1]/div[2]/div[4]/div[1]/div/span[3]/text()')[0]
    infos = selector.xpath('//div[@class="d_post_content_main "]/div[1]')
    for info in infos:
        paper = info.xpath('string(.)').strip()
        print(paper + '\n')
        f = open('content.text', 'a', encoding='utf-8')
        f.write(str(paper) + '\n')
        f.close()

url1 = "https://tieba.baidu.com/p/5366583054?see_lz=1"
parsehtml(gethtml(url1))
#
# if len(etree.HTML(gethtml(url1)).xpath('//*[@id="thread_theme_7"]/div[1]/ul/li[1]/a[6]')):
#     furtherurl = etree.HTML(gethtml(url1)).xpath('//*[@id="thread_theme_7"]/div[1]/ul/li[1]/a[6]/@href/text()')
#     url = "https://tieba.baidu.com" + str(furtherurl)
#     parsehtml(gethtml(url))

继续可以正常运行并且可以显示中文。


image.png

但是我不能只获取这一页的小说呀,于是提取下一页的链接并且拼接url:

if len(etree.HTML(gethtml(url1)).xpath('//*[@id="thread_theme_7"]/div[1]/ul/li[1]/a[6]')):
     furtherurl = etree.HTML(gethtml(url1)).xpath('//*[@id="thread_theme_7"]/div[1]/ul/li[1]/a[6]/@href/text()')
     url = "https://tieba.baidu.com" + str(furtherurl)
     parsehtml(gethtml(url))

然而跑的时候报错。。。。。


image.png
image.png

先这样吧,12点了好困,明天再说。。。

早起更新,早上意识到,提取链接是不需要/text()的,我们只需要提取出链接的属性,另外,由于xpath返回的是一个列表类型,我们需要用索引,取第0个,代码修改如下:

if len(etree.HTML(gethtml(url1)).xpath('//*[@id="thread_theme_7"]/div[1]/ul/li[1]/a[6]')):
     furtherurl = etree.HTML(gethtml(url1)).xpath('//*[@id="thread_theme_7"]/div[1]/ul/li[1]/a[6]/@href')[0]
     url = "https://tieba.baidu.com" + str(furtherurl)
     parsehtml(gethtml(url))

这样跑起来还是有个问题,显示获取的time内容list index out of range, 先注释掉这行,看看能不能翻页获取内容。试了一下可以翻页,但是只能翻到第三页获取数据,这又是啥问题。。。。

第二天晚上下班,回来更新。上班期间偷偷查了些资料,嘿嘿,貌似是被网站限制的原因。后来还是通过构造url完成了代码。。。。。。表示本来就是因为想通过找下一页链接然后迭代的方式去抓取的,结果还是回到了老路子,郁闷。用scrapy也是有这个问题。再慢慢查资料吧~完整代码如下:

# -*- coding: utf-8 -*-
import requests
from lxml import etree

def gethtml(url):
    # url = "https://tieba.baidu.com/p/5366583054?see_lz=1"
    header = {'User-Agent' :'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'}
    r = requests.get(url, headers=header)
    html = r.text
    return html

def parsehtml(html):
    selector = etree.HTML(html)
    name = selector.xpath('//*[@id="j_core_title_wrap"]/h3/text()')[0]
    author = selector.xpath('//*[@id="j_p_postlist"]/div[1]/div[1]/ul/li[3]/a/text()')[0]
    # time = selector.xpath('//*[@id="j_p_postlist"]/div[1]/div[2]/div[4]/div[1]/div/span[3]/text()')[0]
    infos = selector.xpath('//div[@class="d_post_content_main "]/div[1]')
    for info in infos:
        paper = info.xpath('string(.)').strip()
        print(paper + '\n')
        f = open('content.text', 'a', encoding='utf-8')
        f.write(str(paper) + '\n')
        f.close()

url1 = "https://tieba.baidu.com/p/5366583054?see_lz=1"
parsehtml(gethtml(url1))

for i in range(2, 11):
    url2 = "https://tieba.baidu.com/p/5366583054?pn=" + str(i)
    parsehtml(gethtml(url2))

以后再填坑

相关文章

  • 爬取百度贴吧原创小说

    最近都没怎么写代码,忙着上班,每天上到晚上九点半,回来看视频,学习scrapy,写了个小项目,无法传回下一页链接继...

  • python爬虫之百度贴吧

    最近又尝试着爬取了百度贴吧,发现新增的几个反爬点,故来做下记录。 爬取百度贴吧大致流程为: 1 - 构造url,h...

  • Go基础编程---web编程

    简单web服务器代码 简单客户端代码 并发爬取百度贴吧的页面 并发爬虫爬取段子

  • 爬虫第二弹 代码操作

    代码操作一 爬取 贴吧战狼2 网页信息 运行结果: 代码操作二 百度图片 爬取美女图网页 结果展示 代...

  • 第四阶段 爬虫整理

    爬虫概述 爬虫案例 案例1:爬取百度贴吧数据 分析:GET方式爬取数据抓包:设计:实现: 案例2:抓妹子图 分析:...

  • 可视化pyecharts库初体验

    爬取学校贴吧150个帖子,统计词频,简单数据分析 一、数据采集目标站点:百度贴吧 二、分词统计词频(jieba) ...

  • _get

    get原理 拼接 url(-->伪装请求头)传递 req结果 response 作业 爬取百度贴吧某html源码

  • python爬取百度贴吧

    爬取百度贴吧python文件源代码如下(欢迎点赞哦) import urllib.request import u...

  • python爬取百度贴吧

    爬取百度贴吧python文件源代码如下(欢迎点赞哦) import urllib.request import u...

  • 爬取百度贴吧帖子

    依然是参考教程 Python爬虫实战一之爬取百度贴吧帖子。作者崔庆才写了很多关于Python爬虫的文章,大家有兴趣...

网友评论

    本文标题:爬取百度贴吧原创小说

    本文链接:https://www.haomeiwen.com/subject/glirgxtx.html