python爬取数据总结(python3爬虫学习之数据存储txt的案例详解)
python爬取数据总结
python3爬虫学习之数据存储txt的案例详解上一篇实战爬取知乎热门话题的实战,并且保存为本地的txt文本
先上代码,有很多细节和坑需要规避,弄了两个半小时
|
import requests import re headers = { "user-agent" : "mozilla/5.0 (windows nt 6.1; win64; x64)" " applewebkit/537.36 (khtml, like gecko) chrome/73.0.3683.86 safari" "/537.36m" , "cookie" : '_xsrf=h6hrg3qq9i1o8jrzomf4ytecfakdf2es; _zap=296584df-ce11-4059-bc93-be10eda0fdc1; d_c0="akbmb5e-pa-ptkztad1nqun0qmf_hmceh14=|1554554531"; ' 'capsion_ticket="2|1:0|10:1554554531|14:capsion_ticket|44:yjc0njazndvimtizndcyzdg2ytzjytk0ywm3oguzzdg=|2d7f136328b50cdeaa85e2605e0be2bb931d406babd396373d15d5f8a6c' '92a61"; l_n_c=1; q_c1=ad0738b5ee294fc3bd35e1ccb9e62a11|1554554551000|1554554551000; n_c=1; __gads=id=9a31896e052116c4:t=1554555023:s=alni_mb-i0et9w' 'vgfqcvmuyll7byc0xpwa; tgw_l7_route=116a747939468d99065d12a386ab1c5f; l_cap_id="ogeyotkzmze2ymu3ndvmythlmmq4otbkmznjode4n2y=|1554558219|a351d6740bd01ba8ee34' '94da0bd8b697b20aa5f0"; r_cap_id="mdiznthmzjrhnjnlngq1owfjm2nmodixnznjzwy2zjy=|1554558219|ff86cb2f7d3c6e4a4e2b1286bbe0c093695bfa1d"; cap_id="mgnky2riztg5n2mznduyntk0nmezmtyyyzgwy' 'zdhyte=|1554558219|18ed852d4506efb2345b1dbe14c749b2f9104d54"; __utma=51854390.789428312.1554558223.1554558223.1554558223.1; __utmb=51854390.0.10.1554558223; __utmc=51854390; ' '__utmz=51854390.1554558223.1.1.utmcsr=(direct' ')|utmccn=(direct)|utmcmd=(none); __utmv=51854390.000--|3=entry_date=20190406=1' , "authority" : "www.zhihu.com" , } url = "https://www.zhihu.com/explore" response = requests.get(url = url , headers = headers) text = response.text # print(text) titles = [] f_titles = re.findall(r '<li class="explore-feed feed-item".*?>.*?<a class="question_link".*?>(.*?)</a>.*?</h2>' ,text,re.s) for title in f_titles: titles.append(title.strip()) # print("*"*30) authors = [] f_authors = re.findall(r '<li class="zm-item-answer-author-info".*?>(.*?)</span>' ,text,re.s)[ 1 :] for f_author in f_authors: # print(f_author) author = re.sub(r '<.*?>|<a ([^>]*?)>' , "" , f_author,re.s).strip() authors.append(author) # print("*"*30) content_urls = re.findall(r '<li class="zh-summary summary clearfix">.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" .*?>.*?</a>' ,text,re.s)[ 1 :] contents = [] for content_url in content_urls: content_full_url = "https://www.zhihu.com" + content_url # print(content_full_url) resp = requests.get(url = content_full_url , headers = headers) c_text = resp.text content = re.findall(r '<li class="richcontent-inner">*?<span .*?>(.*?)</span>' ,c_text,re.s) content = str (content) # print(type(content)) cont = re.sub(r '\\n|<.*?>' ,"",content).strip() # print(cont) contents.append(cont) zhihu_questions = [] for value in zip (titles,authors,contents): title,author,content = value zhihu_question = { "标题" : title, "作者" : author, "内容" : content } zhihu_questions.append(zhihu_question) # for zhihu_question in zhihu_questions: # for value in zhihu_question.values(): # print(value) # print("=" * 50) with open ( "知乎.txt" , "a" , encoding = "utf-8" ) as fp: for zhihu_question in zhihu_questions: for value in zhihu_question.values(): fp.write(value) fp.write( '\n' + "=" * 10 + '\n' ) fp.write( '\n' + "*" * 50 + '\n' ) |
我们用requests库和正则来爬取
因为要一直测试爬取内容是否正确,可能运行太频繁,博主中间被封了一次号,然后修改了cookie等信息,勉强获取到了内容。
正则表达式在之前讲的很多了,也有过实战,不多赘述,我们主要来讲爬取时遇到的问题。
爬取标题时很顺利,我们只需要去除空白就行了
当爬取作者时就有了问题,我们注意到,热门话题共有10篇,也就是10个作者,但在用正则获取时,要么第一个作者不对,要么就只有9个作者,我把所有热门话题url,标题,作者和内容打印出来,打开浏览器一个一个对应标题作者和内容是否正确,发现了一个神奇的现象。
一:作者数量不对
在知乎有匿名作者,这种作者和不匿名的作者都放在同一种li下,但匿名作者在span标签内,而不匿名作者在a标签下,所以当我用正则匹配a标签的内容,无法获取匿名用户,就导致作者数量不对。于是直接获取li下的所有内容,在用sub去掉不要的内容
二:作者与标题或内容不符
1是第一个作者,他不是我们需要的,但我们爬取的第一个就是他,2才是热门的第一个作者
未获取匿名用户
这两个是我们无法正常获取的原因
上面两个问题这样解决:
|
f_authors = re.findall(r '<li class="zm-item-answer-author-info".*?>(.*?)</span>' ,text,re.s)[ 1 :] for f_author in f_authors: # print(f_author) author = re.sub(r '<.*?>|<a ([^>]*?)>' , "" , f_author,re.s).strip() authors.append(author) |
获取所有未经处理的作者,我们不要第一个因为他不是热门话题的回答者,f_authors是含有大量标签的列表,大家可以打印看看
我们遍历这个未经处理的列表,打印未经处理的作者名,看看需要处理什么。
我们发现含有大量span标签和a标签,我们用sub函数处理
三:我们可以发现,这些内容是很长的:
这样,我们获取的内容是不正常的,我们分析可以找到该话题对应的链接,我们加上域名就可以到这个话题的详情页
我们获取url,处理页面,获取内容,将获取的内容去掉标签等无关内容即可。
|
content_urls = re.findall(r '<li class="zh-summary summary clearfix">.*?<a href="(.*?)" rel="external nofollow" rel="external nofollow" .*?>.*?</a>' ,text,re.s)[ 1 :] contents = [] for content_url in content_urls: content_full_url = "https://www.zhihu.com" + content_url # print(content_full_url) resp = requests.get(url = content_full_url , headers = headers) c_text = resp.text content = re.findall(r '<li class="richcontent-inner">*?<span .*?>(.*?)</span>' ,c_text,re.s) content = str (content) # print(type(content)) cont = re.sub(r '\\n|<.*?>' ,"",content).strip() # print(cont) contents.append(cont) |
关于zip函数,我在上一篇爬取古诗文也用到了,很重要的函数:
|
zhihu_questions = [] for value in zip (titles,authors,contents): title,author,content = value zhihu_question = { "标题" : title, "作者" : author, "内容" : content } zhihu_questions.append(zhihu_question) |
最后就是把获取的内容保存为本地txt文档
|
with open ( "知乎.txt" , "a" , encoding = "utf-8" ) as fp: for zhihu_question in zhihu_questions: for value in zhihu_question.values(): fp.write(value) fp.write( '\n' + "=" * 10 + '\n' ) fp.write( '\n' + "*" * 50 + '\n' ) |
这是最基本的保存爬取内容的方法。后续会有json,csv,数据库的相关博客续上。
运行结果:
另,注释代码都是测试代码,可以参考。
补充:可能看得时候cookie信息会过期。
补充:文件打开的几种方式
1:r:只读模式,也是默认模式
2:rb:二进制只读
3:r+:读写方式
4:rb+:二进制读写方式
5:w:写方式
6:wb:二进制写方式
7:w+:读写方式
8:wb+:二进制读写方式
9:a:以追加方式,这个方式不会把原来的内容覆盖,本篇代码以此方式打开文件
10:ab:二进制追加方式
11:a+:读写方式
12:ab+:二进制读写方式
以上所述是小编给大家介绍的python3爬虫学习之数据存储txt的案详解整合,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对开心学习网网站的支持!
原文链接:https://blog.csdn.net/s_kangkang_A/article/details/89061927
- python实现网络爬虫的步骤(Python实现的爬取小说爬虫功能示例)
- python爬虫怎么设置代理ip(python爬虫简单的添加代理进行访问的实现代码)
- python爬虫第一本书(我用Python抓取了7000 多本电子书案例详解)
- python爬虫音乐代码(详解python selenium 爬取网易云音乐歌单名)
- python爬虫并保存excel实例(Python实现爬取亚马逊数据并打印出Excel文件操作示例)
- nodejs爬虫(node.js做一个简单的爬虫案例教程)
- 微信公众号文章 爬虫(python抓取搜狗微信公众号文章)
- python3.8爬虫需要的包(python爬取基于m3u8协议的ts文件并合并)
- python爬虫模块教程(Python爬虫之UserAgent的使用实例)
- 阿里云虚拟主机带公网地址吗(阿里云虚拟主机被搜索引擎爬虫访问耗费大量流量解决方法)
- python爬取豆瓣评分排行榜(Python爬虫——爬取豆瓣电影Top250代码实例)
- pycharm 爬虫的数据存在哪了(利用PyCharm Profile分析异步爬虫效率详解)
- python爬虫爬取网页信息教程(python爬虫爬取微博评论案例详解)
- nginx过滤器漏洞(Nginx反爬虫策略,防止UA抓取网站)
- 如何查看python beautifulsoup(Python爬虫beautifulsoup4常用的解析方法总结)
- python爬虫面试经历(搞定这套Python爬虫面试题面试会so easy)
- 它荣获 中国生态魅力镇 称号 就在咱们禹州,一起来看看(中国生态魅力镇)
- 真牛 禹州将建成中等城市(禹州将建成中等城市)
- 被骂欺师灭祖,与郭德纲公开叫板,何云伟改名何沄伟,开始画画了(与郭德纲公开叫板)
- 相声转行影帝,被何晴抛弃,甩10年女友闪婚生子,刘威不靠谱情史(相声转行影帝被何晴抛弃)
- 岳云鹏不说相声,改行演员了 网友 快回来说相声(岳云鹏不说相声)
- 乔欣首演古装大女主,颜值演技双在线(乔欣首演古装大女主)
热门推荐
- pythonpandas提取列索引(Python3.5 Pandas模块缺失值处理和层次索引实例详解)
- python获取微信用户(python-itchat 获取微信群用户信息的实例)
- 织梦后台参数怎么设置才符合seo(详解织梦模板自定义表单限制IP24小时只能提交一次教程)
- markdown和python的关系(解决python Markdown模块乱码的问题)
- dedecms文章怎么发(批量替换织梦DedeCMS所有文章来源和作者的方法)
- django中间件路径校验(Django中使用Whoosh进行全文检索的方法)
- 织梦cms申请代码怎么填(织梦CMS常用的几种字段判断输出实例详解)
- 如何将数据从View传递到控制器
- sqlserver2008远程连接设置(如何开启SqlServer 远程访问)
- canvas绘制图形方法(如何使用canvas绘制可移动网格的示例代码)
排行榜
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9