python爬虫之静态网页爬取--猫眼电影/链家二手房

本是古典何须时尚 2023-06-22 08:25 2阅读 0赞

## **猫眼电影（xpath）** ##

*  目标

1、地址: 猫眼电影 - 榜单 - top100榜
     2、目标: 电影名称、主演、上映时间

*  步骤

1、确定是否为静态页面（右键-查看网页源代码，搜索关键字确认）
    2、写xpath表达式
    3、写程序框架

*  xpath表达式

1、基准xpath: 匹配所有电影信息的节点对象列表
        //dl[@class="board-wrapper"]/dd  # 先匹配大的节点对象
        
    2、遍历对象列表，依次获取每个电影信息
       for dd in dd_list:
    	   电影名称 ：dd.xpath('./a/@title')[0].strip()  # 必须的加. 代表当前的节点对象
    	   电影主演 ：dd.xpath('.//p[@class="star"]/text()')[0].strip()
    	   上映时间 ：dd.xpath('.//p[@class="releasetime"]/text()')[0].strip()

*  代码实现

import requests
    from lxml import etree
    import time
    import random
    
    class MaoyanSpider(object):
      def __init__(self):
        self.url = 'https://maoyan.com/board/4?offset={}'
        self.headers = { 'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36'}
        # 添加计数(页数)
        self.page = 1
    
      # 获取页面
      def get_page(self,url):
        # random.choice一定要写在这里,每次请求都会随机选择
        res = requests.get(url,headers=self.headers)
        res.encoding = 'utf-8'
        html = res.text
        self.parse_page(html)
    
      # 解析页面
      def parse_page(self,html):
        #　创建解析对象
        parse_html = etree.HTML(html)
        # 基准xpath节点对象列表
        dd_list = parse_html.xpath('//dl[@class="board-wrapper"]/dd')
        movie_dict = { }
        # 依次遍历每个节点对象,提取数据
        for dd in dd_list:
          movie_dict['name'] = dd.xpath('.//p/a/@title')[0].strip()
          movie_dict['star'] = dd.xpath('.//p[@class="star"]/text()')[0].strip()
          movie_dict['time'] = dd.xpath('.//p[@class="releasetime"]/text()')[0].strip()
    
          print(movie_dict)
    
      # 主函数
      def main(self):
        for offset in range(0,31,10):
          url = self.url.format(str(offset))
          self.get_page(url)
          print('第%d页完成' % self.page)
          time.sleep(random.randint(1,3))
          self.page += 1
    
    if __name__ == '__main__':
      spider = MaoyanSpider()
      spider.main()

## **链家二手房案例（xpath）** ##

*  实现步骤

**1. 确定是否为静态**

打开二手房页面 -> 查看网页源码 -> 搜索关键字

1.  **xpath表达式**

1、修改方法: 右键 -> copy xpath -> 测试修改
    2、基准xpath表达式(匹配每个房源信息节点列表)
       //ul[@class="sellListContent"]/li[@class="clear LOGCLICKDATA"] | //ul[@class="sellListContent"]/li[@class="clear LOGVIEWDATA LOGCLICKDATA"]
    3、依次遍历后每个房源信息xpath表达式
       * 名称: .//a[@data-el="region"]/text()
       * 总价: .//div[@class="totalPrice"]/span/text()
       * 单价: .//div[@class="unitPrice"]/span/text()

1.  **代码实现**

import requests
    from lxml import etree
    import time
    
    class LianjiaSpider(object):
      def __init__(self):
        self.url = 'https://bj.lianjia.com/ershoufang/pg{}/'
        self.headers = { 'User-Agent' : 'Mozilla/5.0'}
    
      def get_page(self,url):
        res = requests.get(url,headers=self.headers,timeout=10)
        res.encoding = 'utf-8'
        html = res.text
        self.parse_page(html)
    
      def parse_page(self,html):
        parse_html = etree.HTML(html)
        # 基准xpath
        li_list = parse_html.xpath('//ul[@class="sellListContent"]/li[@class="clear LOGCLICKDATA"] | //ul[@class="sellListContent"]/li[@class="clear LOGVIEWDATA LOGCLICKDATA"]')
        print(len(li_list))
        house_dict = { }
        # 遍历依次匹配每个房源信息
        for li in li_list:
          house_dict['house_name'] = li.xpath('.//a[@data-el="region"]/text()')[0].strip()
          house_dict['total_price'] = li.xpath('.//div[@class="totalPrice"]/span/text()')[0].strip()
          house_dict['unit_price'] = li.xpath('.//div[@class="unitPrice"]/span/text()')[0].strip()
    
          print(house_dict)
    
      def main(self):
        for pg in range(1,4):
          url = self.url.format(str(pg))
          self.get_page(url)
          print('第%d页爬取成功' % pg)
          time.sleep(0.5)
    
    if __name__ == '__main__':
      spider = LianjiaSpider()
      spider.main()

## **百度贴吧图片抓取** ##

*  目标

抓取指定贴吧所有图片
    注意:一般User-Agent要换成IE的

*  思路

1、获取贴吧主页URL,下一页,找到不同页的URL规律
    2、获取1页中所有帖子URL地址: [帖子链接1,帖子链接2,...]
    3、对每个帖子链接发请求,获取图片URL
    4、向图片的URL发请求,以wb方式写入本地文件
    # 向一个贴子链接发请求后--->提取图片链接,然后把图片保存到本地

*  实现步骤

1.  **贴吧URL规律**

http://tieba.baidu.com/f?kw=??&pn=50

1.  **xpath表达式**

1、帖子链接xpath
       //*[@id="thread_list"]/li[@class=" j_thread_list clearfix"]/div/div[2]/div[1]/div[1]/a/@href
       
    	百度贴吧贴子地址
       //*[@id="thread_list"]/li//div[@class='t_con cleafix']/div/div/div/a/@href
        
    2、图片链接xpath
       
    	贴子里面图片地址
        //div[@class='d_post_content_main d_post_content_firstfloor']//div[@class='d_post_content j_d_post_content ']/img/@src
        
    3、视频链接xpath(百度贴吧视频抓取反爬机制)(对响应内容做处理)
       //div[@class="video_src_wrapper"]/embed/@data-video
       # 注意: 此处视频链接前端对响应内容做了处理,需要查看网页源代码来查看，复制HTML代码在线格式化

1.  **代码实现**

import requests
    from urllib import parse
    from lxml import etree
    
    
    class BaiduImgSpider(object):
        def __init__(self):
            self.url = 'http://tieba.baidu.com/f?{}'
            self.headers = { 
                'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)'}
    
        # 获取帖子链接
        def get_tlink(self, url):
            html = requests.get(url, headers=self.headers).text
            # 提取帖子链接
            parse_html = etree.HTML(html)
            tlink_list = parse_html.xpath(
                '//*[@id="thread_list"]/li//div[@class="t_con cleafix"]/div/div/div/a/@href')
            # tlink_list: ['/p/23234','/p/9032323']
            for tlink in tlink_list:
                t_url = 'http://tieba.baidu.com' + tlink
                # 提取图片链接并保存
                self.get_imglink(t_url)
    
        # 获取图片链接
        def get_imglink(self, t_url):
            res = requests.get(t_url, headers=self.headers)
            res.encoding = 'utf-8'
            html = res.text
            # 提取图片链接
            parse_html = etree.HTML(html)
            # 匹配图片和视频的xpath表达式,中间加或 |
            imglink_list = parse_html.xpath(
                '//div[@class="d_post_content_main d_post_content_firstfloor"]//div[@class="d_post_content j_d_post_content "]/img/@src | //div[@class="video_src_wrapper"]/embed/@data-video')
    
            for imglink in imglink_list:
                self.write_img(imglink)
    
        # 保存图片
        def write_img(self, imglink):
            res = requests.get(imglink, headers=self.headers)
            # 切取链接的后10位作为文件名
            filename = imglink[-10:]
            with open(filename, 'wb') as f:
                f.write(res.content)
                print('%s下载成功' % filename)
    
        # 指定贴吧名称,起始页和终止页,爬取图片
        def main(self):
            name = input('请输入贴吧名:')
            begin = int(input('请输入起始页:'))
            end = int(input('请输入终止页:'))
            for page in range(begin, end + 1):
                # 查询参数编码
                params = { 
                    'kw': name,
                    'pn': str((page - 1) * 50)
                }
                params = parse.urlencode(params)
                url = self.url.format(params)
                # 开始获取图片
                self.get_tlink(url)
    
    
    if __name__ == '__main__':
        spider = BaiduImgSpider()
        spider.main()

最后附上git地址（会不断更新自己写的爬虫代码）：https://github.com/RyanLove1/spider\_code.git