手把手带你爬虫 | 爬取语录大全

目标

爬取语录，批量下载到本地。

项目准备

软件：Pycharm

第三方库：requests,fake_useragent,re,lxml

网站地址：http://www.yuluju.com

网站分析

打开网站。

有很多分类，不同类型的语录。 

点击爱情语录，发现上方网址变化为http://www.yuluju.com/aiqingyulu/

点击搞笑语录，也会发生类似的变化。

判断是否为静态网页。

有页码跳转一般为静态网页。Ctrl+U查看源代码，Ctrl+F调出搜索框，输入一些网页上出现的文字。

反爬分析

同一个ip地址去多次访问会面临被封掉的风险，这里采用fake_useragent，产生随机的User-Agent请求头进行访问。

每一页的链接分析

第一页：http://www.yuluju.com/aiqingyulu/list_18_1.html
第二页：http://www.yuluju.com/aiqingyulu/list_18_2.html
第三页：http://www.yuluju.com/aiqingyulu/list_18_3.html

可以发现，每页的变化会随着数字变化。当然这里分析的是爱情语录这一栏目，其它的也类似。

代码实现

1.导入相对应的第三方库，定义一个class类继承object，定义init方法继承self，主函数main继承self。

import  requests
from fake_useragent import UserAgent
from lxml import etree
class yulu(object):
    def __init__(self):
        self.url = 'http://www.yuluju.com'
        ua = UserAgent(verify_ssl=False)
        #随机产生user-agent
        for i in range(1, 100):
            self.headers = {
                'User-Agent': ua.random
            }
    def mian(self):
     pass
if __name__ == '__main__':
    spider = yulu()
    spider.main()

2.交互界面

print('     1.励志语录\n'
              '2.爱情语录\n'
              '3.搞笑语录\n'
              '4.人生语录\n'
              '5.情感语录\n'
              '6.经典语录\n'
              '7.伤感语录\n'
              '8.名人语录\n'
              '9.心情语录\n')
        select=int(input('请输入您的选择：'))
        if (select==1):
            url=self.url+'lizhimingyan/list_1_{}.html'
        elif (select==2):
            url = self.url + 'aiqingyulu/list_18_{}.html'
        elif (select==3):
            url = self.url + 'gaoxiaoyulu/list_19_{}.html'
        elif (select==4):
            url=self.url+'renshenggeyan/list_14_{}.html'
        elif (select==5):
            url=self.url+'qingganyulu/list_23_{}.html'
        elif (select==6):
            url=self.url+'jingdianyulu/list_12_{}.html'
        elif (select==7):
            url=self.url+'shangganyulu/list_21_{}.html'
        elif (select==8):
            url=self.url+'mingrenmingyan/list_2_{}.html'
        else:
            url=self.url+'xinqingyulu/list_22_{}.html'

3.发送请求,获取网页。

    def get_html(self,url):
        response=requests.get(url,headers=self.headers)
        html=response.content.decode('gb2312')#经过测试这里是'gb2312'
        return html

4.解析网页，获取文本信息。

    def parse_html(self,html):
     #获取每页中的链接地址和标题
        datas=re.compile('(.*?)').findall(html)
        for data in datas:
            host='http://www.yuluju.com'+data[0]
            res=requests.get(host,headers=self.headers)
            con=res.content.decode('gb2312')
            target=etree.HTML(con)
            #获取文本内容
            results=target.xpath('//div[@class="content"]/div/div/span/text()')
            filename=data[1]
            #保存本地
            with open('F:/pycharm文件/document/'+filename+'.txt','a',encoding='utf-8')as f:
                for result in results:
                    f.write(result+'\n')

5.获取多页及主函数调用。

    def main(self):
        print('1.励志语录\n'
              '2.爱情语录\n'
              '3.搞笑语录\n'
              '4.人生语录\n'
              '5.情感语录\n'
              '6.经典语录\n'
              '7.伤感语录\n'
              '8.名人语录\n'
              '9.心情语录\n')
        select=int(input('请输入您的选择：'))
        if (select==1):
            url=self.url+'lizhimingyan/list_1_{}.html'
        elif (select==2):
            url = self.url + 'aiqingyulu/list_18_{}.html'
        elif (select==3):
            url = self.url + 'gaoxiaoyulu/list_19_{}.html'
        elif (select==4):
            url=self.url+'renshenggeyan/list_14_{}.html'
        elif (select==5):
            url=self.url+'qingganyulu/list_23_{}.html'
        elif (select==6):
            url=self.url+'jingdianyulu/list_12_{}.html'
        elif (select==7):
            url=self.url+'shangganyulu/list_21_{}.html'
        elif (select==8):
            url=self.url+'mingrenmingyan/list_2_{}.html'
        else:
            url=self.url+'xinqingyulu/list_22_{}.html'
        start = int(input('输入开始：'))
        end = int(input('输入结束页：'))
        for page in range(start, end + 1):
            print('第%s页开始：...' % page)
            newUrl=url.format(page)
            html=self.get_html(newUrl)
            self.parse_html(html)
            print('第%s页爬取完成！'%page)

效果显示

打开文件目录:

爬取其它栏目也是可以的，就不做演示了，都一样。

完整代码

import  requests
from fake_useragent import UserAgent
import re
from lxml import etree
class yulu(object):
    def __init__(self):
        self.url='http://www.yuluju.com/'
        ua = UserAgent(verify_ssl=False)
        for i in range(1, 100):
            self.headers = {
                'User-Agent': ua.random
            }
    def get_html(self,url):
        response=requests.get(url,headers=self.headers)
        html=response.content.decode('gb2312')
        return html
    def parse_html(self,html):
        datas=re.compile('(.*?)').findall(html)
        for data in datas:
            host='http://www.yuluju.com'+data[0]
            res=requests.get(host,headers=self.headers)
            con=res.content.decode('gb2312')
            target=etree.HTML(con)
            results=target.xpath('//div[@class="content"]/div/div/span/text()')
            filename=data[1]
            with open('F:/pycharm文件/document/'+filename+'.txt','a',encoding='utf-8')as f:
                for result in results:
                    f.write(result+'\n')
    def main(self):
        print('1.励志语录\n'
              '2.爱情语录\n'
              '3.搞笑语录\n'
              '4.人生语录\n'
              '5.情感语录\n'
              '6.经典语录\n'
              '7.伤感语录\n'
              '8.名人语录\n'
              '9.心情语录\n')
        select=int(input('请输入您的选择：'))
        if (select==1):
            url=self.url+'lizhimingyan/list_1_{}.html'
        elif (select==2):
            url = self.url + 'aiqingyulu/list_18_{}.html'
        elif (select==3):
            url = self.url + 'gaoxiaoyulu/list_19_{}.html'
        elif (select==4):
            url=self.url+'renshenggeyan/list_14_{}.html'
        elif (select==5):
            url=self.url+'qingganyulu/list_23_{}.html'
        elif (select==6):
            url=self.url+'jingdianyulu/list_12_{}.html'
        elif (select==7):
            url=self.url+'shangganyulu/list_21_{}.html'
        elif (select==8):
            url=self.url+'mingrenmingyan/list_2_{}.html'
        else:
            url=self.url+'xinqingyulu/list_22_{}.html'
        start = int(input('输入开始：'))
        end = int(input('输入结束页：'))
        for page in range(start, end + 1):
            print('第%s页开始：...' % page)
            newUrl=url.format(page)
            html=self.get_html(newUrl)
            self.parse_html(html)
            print('第%s页爬取完成！'%page)
if __name__ == '__main__':
    spider = yulu()
    spider.main()