Python 爬虫从入门到进阶之路（十五）

之前的文章我们介绍了一下 Python 的 json 模块，本章我们就介绍一下之前根据 Xpath 模块做的爬取《糗事百科》的糗事进行丰富和完善。

在 Xpath 模块的爬取糗百的案例中我们只是爬取了其中的糗事，然后存储到本地，并没有作者姓名，头像等信息，所有我们通过之前介绍的 path 模块讲获取到的完整信息以 json 的形式存储到本地。

我们要爬取的网站链接是 https://www.qiushibaike.com/text/page/1/ 。

我们通过 Xpath Helper 的谷歌插件经过分析获取到我们想要的内容为： //div[contains(@id,"qiushi_tag")]

 import urllib.request
 from lxml import etree
 import ssl

 # 取消代理验证
 ssl._create_default_https_context = ssl._create_unverified_context

 url = "https://www.qiushibaike.com/text/page/1/"
 # User-Agent头
 user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36'
 headers = {'User-Agent': user_agent}
 req = urllib.request.Request(url, headers=headers)
 response = urllib.request.urlopen(req)
 # 获取每页的HTML源码字符串
 html = response.read().decode('utf-8')
 # 解析html 为 HTML 文档
 selector = etree.HTML(html)
 content_list = selector.xpath('//div[contains(@id,"qiushi_tag")]')
 print(content_list)

输出结果为：

从上面的输出结果可以看出我们已经拿到了我们想要的数据，并且是一个列表类型，我们对列表进行操作扥别拿到糗事再存储到本地即可。

 items = {}
 for site in content_list:
     imgUrl = site.xpath('./div/a/img/@src')[0]  # 头像
     username = site.xpath('./div/a/img/@alt')[0]  # 作者
     content = site.xpath('.//div[@class="content"]/span[1]/text()')
     items = {
         "imgUrl": imgUrl,
         "username": username,
         "content": content,
     }

     with open("qiushi.json", "a") as f:
         f.write(json.dumps(items, ensure_ascii=False) + ",\n")

上面就可以实现一个获取 糗事百科 的糗事的简单爬虫，但是只能爬取单个页面的内容，通过分析 url 我们发现 https://www.qiushibaike.com/text/page/1/ 中最后的 1 即为页码，我们就可以根据这个页码逐一爬取更多页面的内容，最终的代码如下：

 import urllib.request
 from lxml import etree
 import json
 import ssl

 # 取消代理验证
 ssl._create_default_https_context = ssl._create_unverified_context

 class Spider:
     def __init__(self):
         # 初始化起始页位置
         self.page = 2
         # 爬取开关，如果为True继续爬取
         self.switch = True

     def loadPage(self):
         """
            作用：打开页面
         """
         url = "https://www.qiushibaike.com/text/page/" + str(self.page) + "/"
         # User-Agent头
         user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.157 Safari/537.36'
         headers = {'User-Agent': user_agent}
         req = urllib.request.Request(url, headers=headers)
         response = urllib.request.urlopen(req)
         # 获取每页的HTML源码字符串
         html = response.read().decode('utf-8')
         # 解析html 为 HTML 文档
         selector = etree.HTML(html)
         content_list = selector.xpath('//div[contains(@id,"qiushi_tag")]')
         # 调用dealPage() 处理糗事里的杂七杂八
         self.dealPage(content_list)

     def dealPage(self, item_list):
         """
             @brief 处理得到的糗事列表
             @param item_list 得到的糗事列表
             @param page 处理第几页
         """
         for site in item_list:
             # 根据查询发现匿名用户和非匿名用户的标签不一样
             try:
                 # 非匿名用户
                 imgUrl = site.xpath('./div/a/img/@src')[0]  # 头像
                 username = site.xpath('./div/a/img/@alt')[0]  # 作者
             except Exception:
                 # 匿名用户
                 imgUrl = site.xpath('./div/span/img/@src')[0]  # 头像
                 username = site.xpath('./div/span/img/@alt')[0]  # 作者
             content = site.xpath('.//div[@class="content"]/span[1]/text()')
             items = {
                 "imgUrl": "https:" + imgUrl,
                 "username": username,
                 "content": content,
             }

             self.writePage(items)

     def writePage(self, items):
         """
             @brief 将数据追加写进文件中
             @param text 文件内容
         """
         myFile = open("./qiushi.json", 'a')  # 追加形式打开文件
         myFile.write(json.dumps(items, ensure_ascii=False) + ",\n")
         myFile.close()

     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1
             self.page += 1
         print("爬取结束！")

 if __name__ == '__main__':
     # 定义一个Spider对象
     qiushiSpider = Spider()
     qiushiSpider.startWork()

程序启动后会在本地生成一个 city.json 的文件，结果如下：