码迷,mamicode.com
首页 > 其他好文 > 详细

抓取博客园个人主页目录制作

时间:2017-12-09 16:52:52      阅读:152      评论:0      收藏:0      [点我收藏+]

标签:mozilla   elf   raw   ref   主程   int   爬取   urlopen   for   

 1 #-*- coding:utf-8 -*-
 2 
 3 import urllib2
 4 from lxml import etree
 5 
 6 class CrawlJs():
 7     #定义函数,爬取对应的数据
 8     def getArticle(self,url):
 9         print █████████████◣开始爬取数据
10         my_headers = {
11             User-Agent:Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36,
12         }
13         request = urllib2.Request(url,headers=my_headers)
14         content = urllib2.urlopen(request).read()
15         return content
16 
17     #定义函数,筛选和保存爬取到的数据
18     def save(self,content):
19         xml = etree.HTML(content)
20         title = xml.xpath(//*[@class="postTitle"]/a/text())
21         link = xml.xpath(//*[@class="postTitle"]/a/@href)
22         print (title,link)
23         # print(zip(title,link))
24         # print(map(lambda x,y:[x,y], title,link))
25         for t,li in zip(title,link):
26             print(t+li)
27             with open(bokeyuan.txt,a+) as f:
28                 f.write(t.encode(utf-8)+li+ \n)
29         print █████████████◣爬取完成!
30 
31 #定义主程序接口
32 if __name__ == __main__:
33     page = int(raw_input(请输入你要抓取的页码总数:))
34     for num in range(page):
35         #这里输入个人主页,
36         url = http://www.cnblogs.com/zhouxinfei/default.html?page=%s%(num+1)
37         js = CrawlJs()
38         content = js.getArticle(url)
39         js.save(content)

 

抓取博客园个人主页目录制作

标签:mozilla   elf   raw   ref   主程   int   爬取   urlopen   for   

原文地址:http://www.cnblogs.com/zhouxinfei/p/8011685.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!