一个完整的爬虫入门程序_程序开发

一个完整的爬虫入门程序

admin

2023-07-20 08:02:26

0次

直接先说准备工作：
(1)清楚爬虫工作的流程：

向页面发出请求---------获取请求文件---------处理请求文件--------抽取自己想要的内容

(2)要用到的函数与库
主要是requests库：负责去向页面发出请求
beautiSoup4库：对抓取的页面文档进行解析
re库：匹配所需字段

可能存在的问题：
(1)编码的问题：注意页面中，以及读写的编码
(2)循环读取页面时注意页面访问地址的变化情况

完整代码：

import requests
from urllib3 import request
import re

class Spider:
    def __init__(self):
        # 初始化起始页位置
        self.page = 1
        #爬取开关，如果为True继续爬取
        self.switch = True

    def loadPage(self):
        """
            作用：下载页面
        """
        print("正在下载数据....")
                #这个页面的下载规则
        url = "http://www.neihan8.com/article/list_5_" + str(self.page) + ".html"
        headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
        response = requests.get(url, headers = headers)
                #处理编码
        response.encoding=response.apparent_encoding

        #获取每页的HTML源码字符串
        html = response.text

        #创建正则表达式规则对象，匹配每页里的段子内容，re.S 表示匹配全部字符串内容
        pattern = re.compile('(.*?)

', re.S)

        #将正则匹配对象应用到html源码字符串里，返回这个页面里的所有段子的列表
        content_list = pattern.findall(html)

        #调用dealPage() 处理段子里的杂七杂八
        self.dealPage(content_list)

    def dealPage(self, content_list):
        """
            处理每页的段子
            content_list : 每页的段子列表集合
        """
        for item in content_list:
            # 将集合里的每个段子按个处理，替换掉无用数据
            item = item.replace("","").replace("
", "").replace("
", "")

            #处理完后调用writePage() 将每个段子写入文件内
            self.writePage(item)

    def writePage(self, item):
        """
            把每条段子逐个写入文件里
            item: 处理后的每条段子
        """
        #写入文件内
        print("正在写入数据....")
                #编码的处理
        with open(r"duanzi1.txt", "a",encoding="utf-8") as f:
            f.write(item)

    def startWork(self):
        """
            控制爬虫运行
        """
        #循环执行，直到 self.switch == False
        while self.switch:
            # 用户确定爬取的次数
            self.loadPage()
            command =input("如果继续爬取，请按回车（退出输入quit)")
            if command == "quit":
                # 如果停止爬取，则输入 quit
                self.switch = False
            #每次循环，page页码自增
            self.page += 1
        print("谢谢使用！")

if __name__ == "__main__":
    duanziSpider = Spider()
    duanziSpider.startWork()

上一篇：今天新闻！微信群斗牛房间链接拼三张链接房卡怎么获得斗牛房卡制作链接牛魔王房卡充值

下一篇：今天新闻！微信斗牛房卡充值金花斗牛招聘合伙人皇豪互娱哪里买房卡新众乐大厅从哪买房卡

一个完整的爬虫入门程序

相关内容

热门资讯