编程相关 | Python简单网页爬虫

1 环境

Windows7 x64

Python 3.7

2 流程

i) 导入库

ii)爬取网页源代码信息；

iii)爬取特定格式信息并保存为txt文档；

iv)爬取过程及代码的一些限定条件。

3 代码

3.1 配置相关库（requests和BS4)

输入

import requests

from bs4 import BeautifulSoup

输出

导入爬虫相关库

3.2 爬取网页源代码

输入

def download_page(url): # 用于下载页面

   headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"}

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

   return r.text

输出

初始化必要参数，完成基础设置

备注：

声明函数（def）那一行的上方必须有两行的空行（PEP8：python编码规范）

3.3 爬取特定信息并保存

输入

def get_content(html, page):

   output = """第{}页 作者：{} 性别：{} 年龄：{} 点赞：{} 评论：{}\n{}\n------------\n"""

   soup = BeautifulSoup(html, 'html.parser')

   con = soup.find(id='content-left')

   con_list = con.find_all('div', class_="article")

   for i in con_list:

       author = i.find('h2').string  # 获取作者名字

       content = i.find('div', class_='content').find('span').get_text()  # 获取内容

       stats = i.find('div', class_='stats')

       vote = stats.find('span', class_='stats-vote').find('i', class_='number').string # 获取点赞数

       comment = stats.find('span', class_='stats-comments').find('i', class_='number').string # 获取评论数

       author_info = i.find('div', class_='articleGender')  # 获取作者 年龄，性别

       if author_info is not None:  # 非匿名用户

           class_list = author_info['class']

           if "womenIcon" in class_list:

               gender = '女'

           elif "manIcon" in class_list:

               gender = '男'

           else:

               gender = ''

           age = author_info.string   # 获取年龄

       else:  # 匿名用户

           gender = ''

           age = ''

​

       save_txt(output.format(page, author, gender, age, vote, comment, content))

输出

从网页源代码中爬取：页码、作者信息（姓名、性别、年龄）、点赞数、评论数、文本内容

输入

def save_txt(*args):

   for i in args:

       with open('qiushibaike.txt', 'a', encoding='utf-8') as file:

           file.write(i)

输出

将爬取信息保存为txt文档

3.4 限定条件

输入

def main():

   for i in range(1, 11):

       url = 'https://qiushibaike.com/text/page/{}'.format(i)

       html = download_page(url)

       get_content(html, i)

输出

限定爬取页码：1-10（含10）页

输入

if __name__ == '__main__':

   main()

输出

当.py文件被直接运行时，代码块被运行；否则（当.py文件以模块形式被导入时），代码块不运行

4 全文

代码全文如下：

# -*- coding: utf-8 -*-

###############################################################################
# Crawler
# Author: Lenox
# Data:2019.03.22
# License: BSD 3.0
###############################################################################

# 配置相关库
import requests
from bs4 import BeautifulSoup


# 抓取网页信息，返回格式为*.text的文本
def download_page(url): # 用于下载页面
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:61.0) Gecko/20100101 Firefox/61.0"}
    r = requests.get(url, headers=headers)
    return r.text


# 爬取特定网页、页码下的特定格式信息
def get_content(html, page):
    output = """第{}页 作者：{} 性别：{} 年龄：{} 点赞：{} 评论：{}\n{}\n------------\n"""
    soup = BeautifulSoup(html, 'html.parser')
    con = soup.find(id='content-left')
    con_list = con.find_all('div', class_="article")
    for i in con_list:
        author = i.find('h2').string  # 获取作者名字
        content = i.find('div', class_='content').find('span').get_text()  # 获取内容
        stats = i.find('div', class_='stats')
        vote = stats.find('span', class_='stats-vote').find('i', class_='number').string # 获取点赞数
        comment = stats.find('span', class_='stats-comments').find('i', class_='number').string # 获取评论数
        author_info = i.find('div', class_='articleGender')  # 获取作者 年龄，性别
        if author_info is not None:  # 非匿名用户
            class_list = author_info['class']
            if "womenIcon" in class_list:
                gender = '女'
            elif "manIcon" in class_list:
                gender = '男'
            else:
                gender = ''
            age = author_info.string   # 获取年龄
        else:  # 匿名用户
            gender = ''
            age = ''

        save_txt(output.format(page, author, gender, age, vote, comment, content))


# 将爬取内容保存为txt文档
def save_txt(*args):
    for i in args:
        with open('qiushibaike.txt', 'a', encoding='utf-8') as file:
            file.write(i)


# 限定爬取1-10（含10）页的内容。我们也可以用 Beautiful Soup找到页面底部有多少页。
def main():
    for i in range(1, 11):
        url = 'https://qiushibaike.com/text/page/{}'.format(i)
        html = download_page(url)
        get_content(html, i)


# 当.py文件被直接运行时，代码块被运行；否则（当.py文件以模块形式被导入时），代码块不运行
if __name__ == '__main__':
    main()

​

5 参考

[1]Python 爬虫入门(一)——爬取糗百