Python网站搜索内容定向爬虫（新手向超详细） |
您所在的位置：网站首页 › 在网站内搜索怎么搜索 › Python网站搜索内容定向爬虫（新手向超详细） |
Python网站搜索内容定向爬虫（新手向超详细）
目录
功能前期准备各个模块功能代码部分代码解析getHtmlparsePageprintlist
运行效果总结
功能
目标网站：https://www.hellohuanxuan.top/定向爬虫，只能爬取给定URL，不进行扩展爬取爬虫向搜索框提交搜索信息，爬取搜索之后的结果所需库：requests，bs4
前期准备
首先查看网页搜索框，随便搜索数据看看  我们注意到，此时url为： 开始构造代码吧
各个模块功能
整个爬虫分为三大模块，每个模块一个函数getHtml(url, header)函数：发起请求，获得返回源代码parsePage(ulist, html)函数：负责解析源代码，获取到有用的信息，并存入列表中（整个代码的关键部分）printlist(ulist)函数：将列表格式化打印出来
代码部分
import requests
from bs4 import BeautifulSoup
import bs4
def getHtml(url, header):
try:
r = requests.get(url, headers=header)
r.raise_for_status()
print(r.request.headers)
# r.encoding = r.apparent_encoding # 根据情况是否填写
return r.text
except:
print("爬取失败！")
return " "
def parsePage(ulist, html):
soup = BeautifulSoup(html, "html.parser")
for i in soup.find('main', {'class': 'site-main'}).children:
try:
if isinstance(i, bs4.element.Tag):
psrc = i('div', {'class': 'p-time'})
title = i('h1', {'class': 'entry-title'})
# print(psrc[0].text)
# print(title[0].string)
# print(title[0].a.attrs['href'])
ulist.append([psrc[0].text, title[0].string, title[0].a.attrs['href']])
# ulist.append([1, 1, 1])
except:
print("数据丢失！")
def printlist(ulist):
print("{:10}\t{:10}\t{:8}".format("发布日期", "标题", "链接"))
for i in ulist:
print("{:10}\t{:10}\t{:8}".format(i[0], i[1], i[2]))
def main():
header = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36",
}
worlds = '1'
ulist = []
url = "https://www.hellohuanxuan.top/?s=" + worlds
html = getHtml(url, header)
parsePage(ulist, html)
printlist(ulist)
if __name__ == "__main__":
main()
代码解析
getHtml
try:
# 通过requests的get方法获得源代码
r = requests.get(url, headers=header)
# 判断返回状态码是否为200，不为200直接进入异常
r.raise_for_status()
# 打印头部信息看看，可注释掉
print(r.request.headers)
# r.encoding = r.apparent_encoding # 根据情况是否填写，爬我的网站要注释，否则显示中文为乱码
return r.text
except:
print("爬取失败！")
return " "
parsePage
# 利用BeautifulSoup解析html
soup = BeautifulSoup(html, "html.parser")
# for循环查找class为'site-main'的main标签的字标签
for i in soup.find('main', {'class': 'site-main'}).children:
# try except捕捉异常
try:
# isinstance函数在这里判断i是否是bs4库里规定的标签类型
if isinstance(i, bs4.element.Tag):
# 获取class为'p-time'的div标签
psrc = i('div', {'class': 'p-time'})
# 获取class为'entry-title'的h1标签
title = i('h1', {'class': 'entry-title'})
# print(psrc[0].text)
# print(title[0].string)
# print(title[0].a.attrs['href'])
# 将值写进列表
ulist.append([psrc[0].text, title[0].string, title[0].a.attrs['href']])
# ulist.append([1, 1, 1])
except:
print("数据丢失！")
printlist
# 格式化输出列表
print("{:10}\t{:10}\t{:8}".format("发布日期", "标题", "链接"))
for i in ulist:
print("{:10}\t{:10}\t{:8}".format(i[0], i[1], i[2]))
运行效果
大家千万别全拿我的网站爬啊，学生服务器经不起太多折腾。（无奈） 最后推荐一个慕课的视频，北京理工大学嵩天老师的python爬虫课程，讲的很清晰也很透彻。 Bilibili链接：python网络爬虫与信息提取 python爬虫学习中，如果大佬们看出有什么可以优化的地方欢迎指正 转自自己的小网站：我的博客 |
【本文地址】
公司简介
联系我们
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |