image.png
本次以一个盗墓笔记的小说阅读网（http://seputu.com）为例，抓取盗墓笔记的标题、章节名和链接，如下图
前提：
这是一个静态网站，标题、章节都不是由JavaScript动态加载的，无代理，无登录，无验证。
分析目标url的HTML结构：
分析结果如下：
标题和章节都被包含在<div class="mulu">标记下，标题位于其中的<div class="mulu-title"标记下的<h2>标签中，章节位于其中的<div class="box"下的<a>标签中。
爬取思路：
requests（http请求）
BeautifulSoup（页面解析）
json&CSV&txt（数据存储）
代码构造如下：
一：存储为TXT文本文件：
先导入必要模块：
from bs4 import BeautifulSoup
import requests
设置请求头、目标url，使用get方法请求：
url = “http://seputu.com“
user_agent = “Mozilla/5.0 (Windows NT 6.3; WOW64)”
headers = {“User_agent”: user_agent}
req = requests.get(url, headers=headers)
使用BeautifulSoup进行网页解析：
# 指定htm.parser为解析器
soup = BeautifulSoup(req.text, "html.parser")
rows = []
for mulu in soup.find_all(class_="mulu"):
h2 = mulu.find("h2")
if h2 is not None:
h2_title = h2.get_text() # 提取标题
for a in mulu.find(class_="box").find_all("a"):
href = a["href"] # 提取链接
box_title = a["title"] # 提取章节名
content = (h2_title, box_title, href)
rows.append(content)
存储为TXT文件：
# 一定要指定utf-8编码，否则会乱码
with open("盗墓笔记.txt", "w", encoding="utf-8") as f:
for row in rows:
f.write("\n" + str(row)) # 转换为字符串，按行输出
爬取结果如下：
二：存储为json文件：
先导入json模块：
from bs4 import BeautifulSoup
import requests
import json
http请求与上相同：
url = "http://seputu.com"
user_agent = "Mozilla/5.0 (Windows NT 6.3; WOW64)"
headers = {"User_agent": user_agent}
req = requests.get(url, headers=headers)
网页解析略有不同：先将数据放在字典中，字典嵌套在列表中：
soup = BeautifulSoup(req.text, "html.parser")
content = []
_list = []
for mulu in soup.find_all(class_="mulu"):
h2 = mulu.find("h2")
if h2 is not None:
h2_title = h2.string
for a in mulu.find(class_="box").find_all("a"):
href = a["href"]
box_title = a["title"]
_list.append({"链接": href, "章节名": box_title})
content.append({"标题": h2_title, "章节列表": _list})
最后将数据存储在.json文件中：
with open("盗墓笔记.json", "w", encoding="utf-8") as fp:
# 一定要指定ensure_ascii=False，否则存储汉汉字会乱码
json.dump(content, fp=fp, indent=4, ensure_ascii=False)
看一下爬取结果如何：
假如我们在存储为json文件时没有指定ensure_ascii=False:
with open("盗墓笔记.json", "w", encoding="utf-8") as fp:
# 一定要指定ensure_ascii=False，否则存储汉汉字会乱码
json.dump(content, fp=fp, indent=4)
看一下结果会怎样：
汉字全部变成\u565\u4d\等乱码格式。
三：将数据存储为CSV文件：
先导入CSV模块：
from bs4 import BeautifulSoup
import requests
import csv
http请求与上相同：
url = "http://seputu.com"
user_agent = "Mozilla/5.0 (Windows NT 6.3; WOW64)"
headers = {"User_agent": user_agent}
req = requests.get(url, headers=headers)
网页解析与上类似：
soup = BeautifulSoup(req.text, "html.parser")
rows = []
for mulu in soup.find_all(class_="mulu"):
h2 = mulu.find("h2")
if h2 is not None:
h2_title = h2.string
for a in mulu.find(class_="box").find_all("a"):
href = a["href"]
box_title = a["title"]
content = (h2_title, box_title, href)
rows.append(content)
存储为CSV文件：
headers_ = ("标题", "章节名", "链接")
# 打开文件时要指定newline=''，否则存储为CSV时，每行数据之间都有空行
with open("盗墓笔记.csv", "w", newline='') as fp:
f_csv = csv.writer(fp)
f_csv.writerow(headers_)
f_csv.writerows(rows)
打开CSV文件，使用reader（）方法：
with open("盗墓笔记.csv") as f:
f_csv = csv.reader(f)
headers_ = next(f_csv)
print(headers_)
for row in f_csv:
print(row)
爬取结果如下：
我主要遇到两个问题：
1：不知道如何在json文件中写入汉字，查阅资料后才知道在写入json文件时要指定ensure_ascii=False：
json.dump(content, fp=fp, indent=4, ensure_ascii=False)
2：我写入数据到CSV文件后，发现每行数据之间都有空行，查阅资料之后发现要在打开文件的同时指定newline=''：
with open("盗墓笔记.csv", "w", newline='') as fp:
你们有遇到什么问题的话，可以互相交流。
每天学习一点点，每天进步一点点。
网友评论