python爬虫实战

标签：

任务：需要获取的内容：廖雪峰的官方网站中的python部分的标题和内容，之后获取整个python教程的内容，而不仅仅是这一个页面：http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000

1. 对html源码进行分析：

   

   可以发现Python教程位于class="x-content"的Div下，且这样的div是独一无二的，所以可以通过这个线索获取文章的标题

   文章的内容位于class="x-wiki-content"的Div下，同样可以通过这个线索获取文章的所有内容

2. 获取文章的标题和内容：

   获取网页的源码，需要使用ruquests模块

   Import request

   Htmlsource=requests.get(‘http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000‘)

3. 获取标题：
   1. 通过正则表达式进行匹配：

   title=re.findall(‘<h4>(.*?)</h4>‘,htmlsource.text,re.S)[0]

   b)使用xpath获取内容:

   匹配之前需要建立一个类似于树的东西：

   Selector=etree.HTML(htmlsource.text)

   selector.xpath(‘//div[@class="x-content"]/h4/text()‘)[0]

4. 获取内容：
   1. 通过正则表达式进行匹配

   content=re.findall(‘class="x-wiki-content">(.*?)</div>‘,htmlsource.text,re.S)[0]

   这样获取的内容里面该div所有的内容，你可以通过re模块的sub方法将所有的标签换成空的字符，如：

   re.sub(‘<(.+?)>‘,‘‘,content,count=0)

   1. 通过xpath获取内容

   contentDiv= selector.xpath(‘//div[@class="x-wiki-content"]‘)

   print contentDiv[0].xpath(‘string(.)‘)

5. 通过第二步，可以实现对一个网页中的内容进行提取，那么接下来我们就要对该网页中左侧的链接进行提取，以便根据提取到的url获取python教程的所有内容
6. 对网站左侧的html源码进行分析并获取urllist：

   

   可以需要获取的内容所处的位置大致是ul-->li-->a,经过查询发现class="uk-nav uk-nav-side"ul有4,而我们需要获取的是第二个,所以Selector.xpath(‘//ul[@class="uk-nav uk-nav-side"]‘)[1]就是我们想要的ul

   另外href显示的是相对路径，与真正的网络地址相比缺少了域名和http,因此获取这个href之后，需要我们进一步的处理

   使用正则表达式是比较麻烦的，因此获取url可以使用更为简单的xpath

   Urllist=[]

   Linklist=Selector.xpath(‘//ul[@class="uk-nav uk-nav-side"]‘)[1]

   for i in linklist:

   urllist.append(‘http://www.liaoxuefeng.com‘ + i.xpath(‘a/@href‘)[0])

   这样就获取到了想要的urllist了

7. 根据这些url获取所有的title和content

   第一种方法是遍历urllist：

   根据url获取title和content,然后可以将其写入到一个文件中，速度非常慢，可能需要1分多钟

   第二种方法是通过map()函数：

   传入一个爬虫函数(参数是url),和一个url列表

python爬虫实战

标签：

原文地址：http://www.cnblogs.com/lightmao/p/4786979.html