盘点一个网络爬虫中常见的一个错误

回复“资源”即可获赠Python学习资料

大家好，我是皮皮。

一、前言

前几天在Python白银交流群有个叫【雨就是雨】的粉丝问了一个Python网络爬虫的问题，这里拿出来给大家分享下，一起学习下。

问题如下：

二、解决过程

这里很容易的一个怀疑点是原网页上的网页结构变化了，使用xpath选择器进行提取的话，会出现不匹配的情况，列表索引不在范围内，引起报错。

【Python进阶者】给出了一个思路，确实可以使用try异常处理来避开，不过始终拿不到数据，确实有点让人头大。

后来下午的时候【Python进阶者】跑他代码的时候发现了原因，如下图所示。

他的url这里，构造有问题，多了一个/，导致网页访问出错。

修改下，就可以跑了，另外，网页详情页里边也有多次请求，记得稍微sleep下，就可以了。下面是详细代码，感兴趣的小伙伴们，可以拿去跑下。

import requests
from lxml import etree
from fake_useragent import UserAgent
import time


class kitchen(object):
    u = 0

    def __init__(self):
        self.url = "https://www.xiachufang.com/category/40076/"
        ua = UserAgent(verify_ssl=False)
        for i in range(1, 50):
            self.headers = {
                'User-Agent': ua.random,

            }

    '''发送请求  获取响应'''

    def get_page(self, url):
        res = requests.get(url=url, headers=self.headers)
        html = res.content.decode("utf-8")
        time.sleep(2)
        return html

    def parse_page(self, html):
        parse_html = etree.HTML(html)
        image_src_list = parse_html.xpath('//li/div/a/@href')
        for i in image_src_list:
            try:
                url = "https://www.xiachufang.com" + i
                # print(url)
                html1 = self.get_page(url)  # 第二个发生请求
                parse_html1 = etree.HTML(html1)
                # print(parse_html1)
                num = parse_html1.xpath('.//h2[@id="steps"]/text()')[0].strip()

                name = parse_html1.xpath('.//li[@class="container"]/p/text()')
                ingredients = parse_html1.xpath('.//td//a/text()')
                self.u += 1
                # print(self.u)
                # print(str(self.u)+"."+house_dict["名 称 :"]+":")
                # da=tuple(house_dict["材 料:"])
                food_info = '''  
    第 %s 种
    
    菜 名 : %s
    原 料 : %s
    下 载 链 接 : %s,
    =================================================================
                        ''' % (str(self.u), num, ingredients, url)
                # print(food_info)

                f = open('下厨房菜谱.txt', 'a', encoding='utf-8')
                f.write(str(food_info))
                print(str(food_info))
                f.close()
            except:
                print('xpath没获取到内容！')

    def main(self):
        startPage = int(input("起始页:"))
        endPage = int(input("终止页:"))
        for page in range(startPage, endPage + 1):
            url = self.url.format(page)
            html = self.get_page(url)
            self.parse_page(html)
            time.sleep(2.4)
            print("====================================第 %s 页 爬 取 成 功====================================" % page)


if __name__ == '__main__':
    imageSpider = kitchen()
    imageSpider.main()

跑出来的结果会保存到一个txt文件里边，如下图所示：

碰到这种url拼接问题，推荐使用urljoin的方式，示例代码如下：

from urllib.parse import urljoin
source_url = 'https://www.baidu.com/'
child_url1 = '/robots.txt'
child_url2 = 'robots.txt'
final_url1 = urljoin(source_url, child_url1)
final_url2 = urljoin(source_url, child_url2)
print(final_url1)
print(final_url2)

运行结果如下图所示：

urljoin的作用就是连接两个参数的url，将第二个参数中缺的部分用第一个参数的补齐，如果第二个有完整的路径，则以第二个为主。

三、总结

大家好，我是皮皮。这篇文章主要盘点一个网络爬虫中常见的一个错误问题，文中针对该问题给出了具体的解析和代码演示，帮助粉丝顺利解决了问题。最后给大家安利了一个url拼接的方法，在网络爬虫中还是非常常用的。

最后感谢粉丝【雨就是雨】提问，感谢【Python进阶者】给出的具体解析和代码演示，感谢粉丝【꯭】、【艾希·觉罗】、【月神】、【dcpeng】、【瑜亮老师】等人参与学习交流。

小伙伴们，快快用实践一下吧！如果在学习过程中，有遇到任何问题，欢迎加我好友，我拉你进Python学习交流群共同探讨学习。