爬虫入门(3)-Xpath利器实战百度贴吧

使用XPath分析一下比较复杂的贴吧

帝吧首届相亲大会: https://tieba.baidu.com/p/5098845608?pn=1

先上代码

#!/usr/bin/env python
#-*- coding:utf-8 -*-

from lxml import etree
import requests
import sys
reload(sys)
sys.setdefaultencoding("utf-8")

url = 'https://tieba.baidu.com/p/5098845608?pn=1'
html = requests.get(url)
selector = etree.HTML(html.text)


img_all_list = [] # 存储所有图片链接
content_field = selector.xpath('//div[@class="l_post l_post_bright j_l_post clearfix  "]') # 获取指定内容
for each in content_field[1:]: 
    author = each.xpath('div[1]/ul/li[@class="d_name"]/a/text()')[0] # 获取作者名称
    content = each.xpath('div[2]/div[@class="p_content  "]/cc/div/text()') # 获取贴吧内容
    time = each.xpath('div[2]/div[@class="core_reply j_lzl_wrapper"]/div[1]/div[@class="post-tail-wrap"]/span[last()]/text()')[0] # 获取发帖时间

    img_list = each.xpath('div[2]/div[@class="p_content  "]/cc/div//@src') # 获取图片链接
    img_all_list.append(img_list)
    print author
    print "\n".join(content).strip()
    print time
    print '\n'

i = 0
for img_list in img_all_list: # 下载图片模块
    for img_url in img_list:
        pic = requests.get(img_url)
        string = str(i + 1) + img_url[-4:]
        fp = open(string, 'wb')
        fp.write(pic.content)
        fp.close()
        i += 1

结果如下(当然还有相亲者图片0-0):

如果熟悉Xpath语法,会很容易爬取这个网页的内容。因为上一篇内容分析过使用Xpath抓取网页信息,这一篇就不详细再说,原理都一样。而这一次纯属拿来玩玩~

需要注意的两个地方

1.last()的使用

time = each.xpath('div[2]/div[@class="core_reply j_lzl_wrapper"]/div[1]/div[@class="post-tail-wrap"]/span[last()]/text()')[0]

last()表示返回元素最后一个值,在本例中源码中,我们可以看到

对于同一个标签'div[@class="post-tail-wrap"]/span',回帖时间有时候出现在第三个span标签,有时候出现在第四个span标签,但共同点都是处在最后一个span标签中,所以采用last()值

2. Xpath获取图片

img_list = each.xpath('div[2]/div[@class="p_content "]/cc/div//@src')

“*//@src”用于获取所有图片链接

爬取前10页信息

#-*_coding:utf8-*-

import requests
from lxml import etree
import sys
reload(sys)
sys.setdefaultencoding('utf-8')

def get_Allurl(): # 获取贴吧前10页内容
    page = []
    url = 'https://tieba.baidu.com/p/5098845608?pn='
    for i in range(1, 11):
        a = url + str(i)
        page.append(a)
    return page

def spider(url):
    info_list=[]
    html = requests.get(url,timeout = 5) # 如果5秒内网页没有响应访问请求,则直接结束
    selector = etree.HTML(html.text)
    reply = selector.xpath('//div[@class="l_post l_post_bright j_l_post clearfix  "]')
    for each in reply:
        author = each.xpath('div[1]/ul/li[@class="d_name"]/a/text()')
        if len(author) == 0:
            continue
        author = author[0]
        content = each.xpath('div[2]/div[@class="p_content  "]/cc/div/text()')
        time = each.xpath('div[2]/div[@class="core_reply j_lzl_wrapper"]/div[1]/div[@class="post-tail-wrap"]/span[last()]/text()')[0]

        info = {}
        info['author'] = author
        info['reply'] = "\n\t".join(content).strip()
        info['time'] = time
        info_list.append(info)
    return info_list

def saveinfo(classinfo): # 保存信息
    f = open('tiebainfo.txt', 'w')
    for info_all in classinfo:
        for each in info_all:
            f.writelines('Author: ' + each['author'] + '\n')
            f.writelines('Content:\n\t' + each['reply'] + '\n')
            f.writelines('Time:   ' + each['time'] + '\n\n')
    f.close


if __name__ == '__main__':
    classinfo = []
    all_url = get_Allurl()
    for url in all_url:
        print u'正在处理:' + url
        info_list = spider(url)
        classinfo.append(info_list)
    saveinfo(classinfo)

就到这吧

好好学习 天天向上~

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,311评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,339评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,671评论 0 342
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,252评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,253评论 5 371
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,031评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,340评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,973评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,466评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,937评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,039评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,701评论 4 323
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,254评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,259评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,485评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,497评论 2 354
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,786评论 2 345

推荐阅读更多精彩内容