继续浏览精彩内容
慕课网APP
程序员的梦工厂
打开
继续
感谢您的支持,我会继续努力的
赞赏金额会直接到老师账户
将二维码发送给自己后长按识别
微信支付
支付宝支付

python爬虫——爬取古诗名句

安卓软件程序开发入门学习
关注TA
已关注
手记 289
粉丝 49
获赞 282

一. 概要

1.通过python爬虫循环爬取古诗词网站古诗名句
2.落地到本地数据库

二. 页面分析

首先通过firedebug进行页面定位:
https://img2.mukewang.com/5b235bbe00013be208050343.jpg

其次源码定位:
https://img3.mukewang.com/5b235bc40001d95907740264.jpg

最终生成lxml etree定位div标签源码:

response = etree.HTML(data)

for row in response.xpath('//div[@class="left"]/div[@class="sons"]/div[@class="cont"]'):

    content = row.xpath('a/text()')[0]

    origin = row.xpath('a/text()')[-1]

    self.db.add_new_row('mingJuSpider', {'content': content, 'origin': origin, 'createTime': str(date.today())})

三. 执行结果

https://img4.mukewang.com/5b235bda0001dbdf08860460.jpg

四. 脚本源码

#!/usr/bin/env python

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

'''

@Date    : 2017/12/21 12:35

@Author  : kaiqing.huang

@File    : mingJuSpider.py

'''

from utils import MySpider, MongoBase

from datetime import date

from lxml import etree

import sys


class mingJuSpider():

    def __init__(self):

        self.db = MongoBase()

        self.spider = MySpider()


    def download(self):

        for pageId in range(1,117):

            url = 'http://so.gushiwen.org/mingju/Default.aspx?p={}&c=&t='.format(pageId)

            print url

            data = self.spider.get(url)

            if data:

                self.parse(data)


    def parse(self, data):

        response = etree.HTML(data)

        for row in response.xpath('//div[@class="left"]/div[@class="sons"]/div[@class="cont"]'):

            content = row.xpath('a/text()')[0]

            origin = row.xpath('a/text()')[-1]

            self.db.add_new_row('mingJuSpider', {'content': content, 'origin': origin, 'createTime': str(date.today())})


if __name__ == '__main__':

    sys.setrecursionlimit(100000)

    do = mingJuSpider()

    do.download()

打开App,阅读手记
0人推荐
发表评论
随时随地看视频慕课网APP