爬取英语六级高频词

---

任务

将网站中所有英语六级高频词以及翻译获取，然后进行存储

---

一、指定url

网站中单词被分开存放在1-7页中
第1页的url：http://www.oh100.com/kaoshi/cet6/cihui/249585.html
第2页的url：http://www.oh100.com/kaoshi/cet6/cihui/249585_2.html
第3页的url：http://www.oh100.com/kaoshi/cet6/cihui/249585_3.html
从中可发现去除第1页外第i页的url为
http://www.oh100.com/kaoshi/cet6/cihui/249585_i.html

for i in range(1,8):#爬取1-7页
    #获取每一页的url
    url=f'http://www.oh100.com/kaoshi/cet6/cihui/249585_{str(i)}.html'
    if(i==1):
        url='http://www.oh100.com/kaoshi/cet6/cihui/249585.html'

---

二、发起请求并获取响应数据

def getHTML(url):
    r=requests.get(url)
    r.encoding=r.apparent_encoding
    return r.text

---

三、对响应数据进行数据解析

  看到所有的单词都存在

下的p标签中，可以用xpath获取数据。

  本路径下的p标签不都是单词，需要把不要的信息过滤。这里用try、except语句，在split对字符串中内容切片时切到非单词内容会报错并进入except中continue

def fx(text):
    tree=etree.HTML(text)
    p_list=[]#存储p标签
    p_list=tree.xpath('//div[@class="content"]/p')#匹配
    p_list.pop(0)
    p_list.pop(1)#前两个空格不要
    for p in p_list: 
        try:#保证取到的数据是单词和单词对应翻译
            mean.append(p.xpath('./text()')[0][2:].split('/')[2])#这里split('/')[2]会超出list长度报错退出，所以try中两条语句顺序不能调换，不然word长度和mean不同造成错位
            word.append(p.xpath('./text()')[0][2:].split('/')[0])            
            #print(word[-1:],mean[-1:])
        except:
            continue

---

四、持久化存储

f=open('./cet6word.txt','a',encoding='utf-8')
for i in range(1,len(word)):
    f.write(word[i]+' '+mean[i]+'\n')
f.close()

---

总结

本案例为xpath对静态页面的解析

代码如下（示例）：

import requests
from lxml import etree
def getHTML(url):
    r=requests.get(url)
    r.encoding=r.apparent_encoding
    return r.text
def fx(text):
    tree=etree.HTML(text)
    p_list=[]
    p_list=tree.xpath('//div[@class="content"]/p')
    p_list.pop(0)
    p_list.pop(1)
    for p in p_list: 
        try:#保证取到的数据是单词和单词对应翻译
            mean.append(p.xpath('./text()')[0][2:].split('/')[2])
            word.append(p.xpath('./text()')[0][2:].split('/')[0])            
            #print(word[-1:],mean[-1:])
        except:
            continue
word=[]#存储单词
mean=[]#存储翻译
for i in range(1,8):#爬取1-7页
    #获取每一页的url
    url=f'http://www.oh100.com/kaoshi/cet6/cihui/249585_{str(i)}.html'
    if(i==1):
        url='http://www.oh100.com/kaoshi/cet6/cihui/249585.html'
    #发起请求
    text=getHTML(url)
    #数据分析
    fx(text)
    print('第%d页爬取完成\n'%i) 
#存储    
f=open('./cet6word.txt','a',encoding='utf-8')
for i in range(1,len(word)):
    f.write(word[i]+' '+mean[i]+'\n')
f.close()

部分结果：