爬虫小试-将某网站内的试题爬取出来并保存到本地word

emmm，因为要刷作业的试题（QWQ题目实在是太多了），在机缘巧合之下竟发现老师上传的题目全部是某网站上的，于是乎哈哈哈，爬下来做题库方便查询（Ctrl+F），下面进入正题，爬

---

使用到的模块
requests
Xpath（lxml）
docx（python-docx）

---

首先给出目标网页的URL：http://www.manongjc.com/detail/7-tyzzyvdyjzszbif.html
然后，肯定是让咱瞧瞧这个网页的真面目（源码结构）是什么，操作很简单，我使用的是Google浏览器开发者工具，源码部分如下图所示

很显然，我们需要的试题都在

里
知道了需要的东西在哪，接下来就好办了，问题是怎么获取到它了

先使用requests请求获得网页的HTML文rs = requests.get(url=url, headers=headers)

进一步，对获取得到的rs进行处理解析，这里使用到Xpath的知识

root = etree.HTML(rs.content)
texts = root.xpath('//div[@class="article-content"]/p/text()')

我们在控制台看看texts有没有成功解析出来

很不错，到这里，我们的目的已经实现了一大半了，可是有好多`\xa0\xa0\xa0’（这是什么东西，好影响阅读呀）

不要紧，紧接着，我们对获取到的texts处理优化一下

   for text in texts:

        str(text).replace('\xa0\xa0\xa0', '')

        print(text)

瞅瞅看

OK，处理的不错

最后肯定要有一个文本储存它，不然在控制台看多不方便呀，我们就先用自带的txt文件吧

    f = open('javaWeb.txt', 'w', encoding='utf-8')

    for text in texts:

        str(text).replace('\xa0\xa0\xa0', '')

        f.write(text+'\n')

        print(text)

     f.close()

goodjob，到此，我们需要的试题就爬下来了，炒鸡简单有木有

等等等，说好的使用到的模块里有docx呢，怎么没用到，博主骗人
哈哈哈，本来用txt是可以的了，后来因为有位小仙女说txt文件看起来不习惯，然后我就把爬下来的试题用word保存了，导入docx模块，把上述的代码更换为

    document = Document()

    for text in texts:

        str(text).replace('\xa0\xa0\xa0', '')

        document.add_paragraph(text)

        print(text)

    document.save('javaweb.docx')

这样就行了
最后，放上源码，方便大家借鉴

import requests

from lxml import etree

from docx import Document

if __name__ == '__main__':
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) '
                             'AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.97 Safari/537.36'}

    url = 'http://www.manongjc.com/detail/7-tyzzyvdyjzszbif.html'

    rs = requests.get(url=url, headers=headers)

    root = etree.HTML(rs.content)

    texts = root.xpath('//div[@class="article-content"]/p/text()')

    document = Document()

    for text in texts:

        str(text).replace('\xa0\xa0\xa0', '')

        document.add_paragraph(text)

        print(text)

    document.save('javaweb.docx')