首页 > 代码库 > Python爬虫之urllib模块1

Python爬虫之urllib模块1

 

<style></style>

Python爬虫之urllib模块1

 

本文来自网友投稿。作者PG,一个待毕业待就业二流大学生。玄魂工作室未对该文章内容做任何改变。

 

 

因为本人一直对推理悬疑比较感兴趣,所以这次爬取的网站也是平时看一些悬疑故事的网站,同时也是因为这个网站在编码上面和一些大网站的博客不同,并不那么规范,所以对于初学者还是有一定的挑战性的。我打算把这个爬虫分三次讲,所以每次都先完成一个小目标(当然不是一个亿啦),这次课我们先爬取当前页面的并且下载第一篇文章。第二次课我们就将爬取当前页面的=所有的链接进行下载,第三次课我们将把整个板块的文章都下载下来。

演示系统用的是kali,因为懒得去配置各种py模块了,就利用系统已经配置好的,浏览器是firefox,使用的IDE是微软的vscode

 

首先我们选取了我们要爬取的网站http://tuilixue.com/,先检查一下robots.txt看看是否存在有一些反爬虫的信息

技术分享

很好,这里没有什么限制

 

然后我们到我平时比较常去的板块看看,http://tuilixue.com/zhentantuilizhishi/list_4_1.html我们现在想要爬取的文章就是这样的技术分享

技术分享技术分享

 

右击鼠标查看源代码,我们可以看到,我们想要爬取的链接就是这样的

技术分享

来一张清晰的

技术分享

但是我们要怎么办才能使python得到这个网页的源代码呢

我们可以使用pythonurllib模块提供的open方法,首先我们先新建一个py文件,惯例

#-*-coding:utf8-*-

#!usr/bin/python

因为是linux系统,所以python路径不同于windows,第一行代码说明是用的uft-8进行编码

技术分享

在这里我们要先导入urllib这个模块,使用import导入

这里其实是两个方法,一个open一个readopen用于从网站上获取网页代码,read是为了读出来好打印

技术分享

我们可以得到上面结果,但是我们发现字符似乎成了乱码,为了找到原因,我们再来看看源码

技术分享

我们似乎找到了原因,网页使用的是gb2312进行编码的,但是我们是使用utf-8的,所以导致的乱码,对这方面不解的同学可以去找一些编码的知识看看。下面我们用一个编码转换来尝试获取正确的编码

技术分享

大家这时可以看到,我们通过强制的编码将获取的网页重新通过gb2312进行编码,我们就可以看到正确的字符了,但是在我们的这次课中并不需要这样的转码,这里只是为了显示获取的是正确的网页,从图中看到,我们获取的正是我们需要进行爬取的页面。

下一步,我们需要获取我们本页的所有的文章链接了,这里需要有一点htmlcss的知识,关于这部分的知识,大家自己去掌握就行了,不需要太深入。如图中显示的,href后面的就是我们在本次课中需要爬取的链接,每页都有10篇文章是我们需要爬取的,我们先从第一篇的链接开始。

技术分享

 

这时候我们就要想我们应该怎么样去获取到这个页面的链接了,如果正则表达式好的同学应该是想到了采取正则表达式进行获取,但是这里有一个问题,一个html页面中有如此多的a开头的元素,也有如此多的href开头的元素,想要通过正则去定位还是有点难的,就算定位出来,也是一大堆的代码,这就不利于可读性了。这时我们应该再从html文本中去分析。我们使用type函数进行类型的判断。

技术分享

通过对pageContent的类型分析,我们知道这是一个字符串类型

这样我们就可以使用字符串中的find函数了,我们需要对find函数有一个了解

技术分享

函数中说明了从字符串中寻找目标字符,返回找到的第一个下标,如果没有找到就返回-1,同时可以设置开始寻找的位置和结束的位置。

我们再看到文本

技术分享

我们发现是在div class=“liszw”下的li元素中的a元素中含有我们需要的链接,这时我们一个个来分析。

技术分享

Li不能作为我们的选择了

技术分享

a也不行

技术分享

这个数量就比较接近了,我再看看前后文的规律发现/span><a似乎是符合我们的要求的

技术分享

这时我们发现这和我们所要爬取的链接数量上是完全吻合的。我们就来试试。

技术分享

这里我们采取了一个切片操作,这时我们发现链接其实已经爬取到了,但是还是有些不完美,我们再来完善一下他。

技术分享

我们来对比一下我们的网页上的第一个链接

技术分享

这样我们就成功的爬取了第一个链接,现在我们来准备下载第一篇文章。从前面我们可以知道,我们可以把网页通过pythonurllib模块下载下来,那么同样的道理,我一样也可以通过urllib模块对文章进行下载。我们通过链接的最后一串数字对下载下来的文件进行命名。并在下载玩后打印end进行提示。

技术分享

我们可以看到,路径下是没有文件的。现在我们开始下载。

技术分享

从这里看我们的文件应该是下载成功了,我们去文件路径下面看看。

 

 

技术分享

文件下载是成功了,我们来打开看看。这个地方要注意地址栏的链接

技术分享

技术分享

 

技术分享

 

这样,我们第一篇的文章就下载成功了。

未完,待续。请持续关注 微信订阅号:玄魂工作室(xuanhun521)

技术分享

Python爬虫之urllib模块1