抓取oschina上面的代码分享python块区下的 标题和对应URL
# -*- coding=utf-8 -*-
import requests,re
from lxml import etree
import sys
reload(sys)
sys.setdefaultencoding( "utf-8" ) """
目标:抓取oschina上面的代码分享python块区下的 标题和对应URL
"""
class spiders_oschina:
def __init__(self):
print u'开始运行' def get_html_obj(self,url = 'http://www.oschina.net/code/list?lang=python&catalog=&show=time&sort=&p=1'): #传入地址,返回一个xpath对象
tou = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.110 Safari/537.36'}
obj = etree.HTML(requests.get(url,headers = tou).content) # 实例化可以被lxml操作的对像
return obj def get_page(self):
tmp = '//*[@id="OSC_Content"]/div[1]/ul/li[11]/a/text()'
obj = self.get_html_obj()
page = int(obj.xpath(tmp)[0]) #从第一页可取得一共有多少页
urllist = []
for i in range(1,page+1):
urllist.append('http://www.oschina.net/code/list?lang=python&catalog=&show=time&sort=&p=' + str(i))
return urllist def get_result(self,obj): #需要传入一个xpath对像
tmp = '//*[@id="OSC_Content"]/div[1]/div[3]/ul/li/h3/a/text()' #a标签中的文本
tmp2 = '//*[@id="OSC_Content"]/div[1]/div[3]/ul/li/h3/a/@href' #a标签的href属性
t = obj.xpath(tmp) #[0].decode('utf-8') #测试xpath方法
t2 = obj.xpath(tmp2)
f = open('res.txt','a')
str = ''
for i in t:
n = 0
str += i + ' ——>对应的URL是:' + t2[n] + '\n \n --------------------------\n'
n += 1
f.write(str) #把结果最终写入txt文本
f.close() if __name__ == "__main__":
oca = spiders_oschina()
n = 1
for i in oca.get_page():
obj = oca.get_html_obj(i)
oca.get_result(obj)
print u'第%d页爬取完成' %n
n += 1
貌似生成的url有问题,待优化。。。
抓取oschina上面的代码分享python块区下的 标题和对应URL的更多相关文章
- git clone 拉取github上面的代码报错:fatal: Authentication failed for xxx解决
1.打开git bash,输入密码:git config --system --unset credential.helper2.结果报错:error: could not lock config f ...
- python爬虫构建代理ip池抓取数据库的示例代码
爬虫的小伙伴,肯定经常遇到ip被封的情况,而现在网络上的代理ip免费的已经很难找了,那么现在就用python的requests库从爬取代理ip,创建一个ip代理池,以备使用. 本代码包括ip的爬取,检 ...
- Git拉取Gitlab上的代码时,报128的解决方法
今天拉取gitlab上的代码时出现错误,一直返回128 首先我们确定我们在存储库上有没有权限,然后我就去项目中的 Members上看是否有权限,然后发现也是有的. 然后克隆的时候发现输入一万遍密码都还 ...
- 使用Fiddler抓取手机上的数据包
在IIS中,如果网站已经绑定了域名在使用IP是不能访问的,需要添加一个空的主机名与IP的映射才能访问.如下图: Fiddler抓取手机包 在PC上建一个WIFI热的 勾选Fiddler中Tool-&g ...
- Postman----设置代理抓取手机上的请求
一般为方便接口测试,我们都会设置代理,抓取手机上的请求来方便测试,具体的操作方法如下. 操作步骤: 一.手机和电脑连接同一网络,查看电脑连接网络的IP,配置手机的代理 1.查看电脑连接的网络与IP地址 ...
- 重新实践c++primer上面的代码
又重新敲了敲c++primer上面的代码,觉得很有意思,讲的很细,c++真牛逼啊 #include <iostream> #include <string> #include ...
- Git同步更新操作GitHub和码云仓库上面的代码
一.前言 问题: 小编在生活中,一般都是将代码保存到github上,但由于国内的码云仓库确实速度比github快很多,用起来也很方便,于是后来就慢慢转码云了,当然小编在github上的代码也不想放弃更 ...
- Python爬取网站上面的数据很简单,但是如何爬取APP上面的数据呢
- Python编写网页爬虫爬取oj上的代码信息
OJ升级,代码可能会丢失. 所以要事先备份. 一開始傻傻的复制粘贴, 后来实在不能忍, 得益于大潇的启示和聪神的原始代码, 网页爬虫走起! 已经有段时间没看Python, 这次网页爬虫的原始代码是 p ...
随机推荐
- Codeforces 735C:Tennis Championship(数学+贪心)
http://codeforces.com/problemset/problem/735/C 题意:有n个人打锦标赛,淘汰赛制度,即一个人和另一个人打,输的一方出局.问这n个人里面冠军最多能赢多少场, ...
- C#:控制台程序调用中间库创建窗体
1.类库项目引用System.Windows.Forms并添加引用后,才可创建窗体. 2.控制台应用程序调用中间库(DLL)中的方法创建窗体:中间类库使用反射下的Assembly加载包含窗体的类库及创 ...
- php socket 客户端代码
<?php class SendDevAction{ //log日志文件 private $logDevFile = ""; //日志字符串 private $logStr ...
- [HTML]POST方法和GET方法
GET方法: function btn_get_click(){ var httpRequest = new XMLHttpRequest(); httpRequest.onreadystatecha ...
- 【转】表删除时 Cannot delete or update a parent row: a foreign key constraint fails 异常处理
转载地址:http://lijiejava.iteye.com/blog/790478 有两张表,结构如下: t_item: t_bid: id ...
- java poi Excel导入 整数浮点数转换问题解决
/** * 获取单元格数据 */ protected static String getCellValue(Cell cell) { String cellValu ...
- Cookie机制(会话cookie和持久化cookie)在客户端保持HTTP状态信息的方案
1. Cookie只有一个name和一个value,不同于map;购物车设计的时候需要cookie,获取购物车的cookie id,以便于将物品多次放入购物车: 2.cookie获取了其地址,并且可以 ...
- C#string常用函数总结
补充: 1:在C语言里 char占1个字节 而在C#,Java里char占两个字节 数据库里char 中汉占两个字节 字母数字占一个字 2:string ...
- 异步I/O
http://blog.csdn.net/gotosola/article/details/7412409 Linux2.6异步I/O AIO的基本思想: 允许进程发起很多I/O操作,而不用阻塞或等 ...
- ceil floor函数
> a=6.4> b=math.ceil(a)> print(b)7> c=math.floor(a)> print(c)6 ceil向上取整 floor向下取整