广东网站建设系统怎么样肇庆网站制作软件
本文继续接着我的上一篇博客【Python爬虫】简单案例介绍2-CSDN博客
目录
3.3 代码开发
3.3 代码开发
编写代码的步骤：
request请求科普中国网站地址url，解析得到类名为"list-block"的div标签。
for循环遍历这个div列表里的每个div，我们可以提取到文章标题，文章标题url，内容来源，内容来源url，发布时间，
再次request请求某个具体的文章的文章标题url，就可以请求得到具体文章的页面源代码，我们需要从中解析得到文章正文部分和图片的数量以及url链接。
这里主要介绍重要的函数。
（1）我们首先需要构建爬虫的大致框架，
# encoding=utf-8
import re, json, requests, xlwt, csv
import pandas as pd
from lxml import etree
from bs4 import BeautifulSoup
from openpyxl import Workbook
import numpy as np"""科普中国-图文"""class MySpider(object):"""科普中国-图文"""def __init__(self):self.base_url = 'https://cloud.kepuchina.cn/newSearch/imageText?s=&start_time=&end_time=&type=1&keyword=&can_down=0&category_id=0&page='self.url = self.base_url + str(0)self.headers = {'User-Agent': '此处为你的UA'}self.index_list = []self.index_article = {}def get(self, url):"""请求并返回网页源代码"""passdef parse(self, start_page, pages_num):"""解析科普中国网站地址url:param start_page: 开始页面:param pages_num: 想要爬取的页面数量:return:"""passdef writeDataToExcleFile(self, inputData, outPutFile):'''将列表数据写入excel表格文件inputData: 列表，含有多个字典;例如：[{'key_a':'123'},{'key_b':'456'}]outPutFile：输出文件名，例如：'data.xlsx''''passdef parse_page(self, title_url):"""进一步解析页面，得到页面的文本content和图片数量以及地址:param title_url: 文章标题的网页地址:return:"""passdef main(self):"""主函数:return:"""self.get()self.parse()if __name__ == "__main__":spider = MySpider()spider.main()（2）编写get()函数，该函数的主要作用是request请求科普中国网站地址url并得到响应结果。
def get(self, url):"""请求并返回网页源代码"""try:response = requests.get(url, self.headers)if response.status_code == 200:return response.textexcept Exception as err:print('get():', err)（3）编写save_excel()函数，该函数的主要作用是将我们获取到的数据写入excel表格文件。
def parse_page(self, title_url):"""进一步解析页面，得到页面的文本content和图片数量以及地址:param title_url: 文章标题的网页地址:return:"""response = requests.get(title_url, self.headers)try:if response.status_code == 200:response = response.textsoup = BeautifulSoup(response, 'html.parser')content = self.clean(soup.find('div', class_="video-box content-box").text) # 页面的文本content# 图片数量以及地址try:img_url = []for t in soup.findAll('img'):if 'logo' not in t["src"] and 'wechat' not in t["src"] and 'weibo' not in t["src"]:img_url.append(t["src"])except Exception as err:img_url = []img_num = len(img_url) # 图片数量self.index_article["content"] = contentself.index_article["img_num"] = img_numself.index_article["img_url"] = img_urlexcept Exception as err:print('parse_page:', err)（4）现在开始正式编写parse()函数，该函数的主要作用是可以根据输入的参数（开始页面，想要爬取的页面数量），来对科普中国网站的页面进行请求（内部调用了self.get()函数）和解析，以及将解析得到的数据进行存储（内部调用了self.save_excel()函数）。
def parse(self, start_page, pages_num):"""解析科普中国网站地址url:param start_page: 开始页面:param pages_num: 想要爬取的页面数量:return: """for page in range(start_page, start_page+pages_num):# 将获取的页面源码加载到该对象中soup = BeautifulSoup(self.get(self.base_url + str(page)), 'html.parser')# 拿到数据列表for i in soup.findAll('div', class_="list-block _blockParma"):# 创建 BeautifulSoup 对象soup_i = BeautifulSoup(str(i), 'html.parser')# 提取文章标题和url、副标题、tag、发布者、发布时间title = soup_i.find('a', class_='_title').texttitle_url = soup_i.find('a', class_='_title')['href']subtitle = soup_i.find('p', class_='info').find('a').texttags = [a.text for a in soup_i.find_all('a', class_='typeColor')]publisher = soup_i.find('a', class_='source-txt').text.strip()publish_time = soup_i.find('span', class_='_time').textself.index_article = {"title": title, "title_url": title_url, "subtitle": self.clean(subtitle), "tag": tags, "publisher": publisher, "publish_time": publish_time}# 获得文章内容文本content和图片数量以及地址self.parse_page(title_url) if self.index_article not in self.index_list: # 存入列表self.index_list.append(self.index_article)print("已完成" + str(page+1) + "页的存储")# self.get_json(str(self.index_list), "1.json")self.save_excel(self.index_list, "result_" + str(start_page) + "_" + str(pages_num) + ".xlsx")代码执行结果如下：
（5）编写parse_page()函数，我们需要进一步解析页面，因为需要得到页面的文本content和图片数量以及url。
def parse_page(self, title_url):"""进一步解析页面，得到页面的文本content、图片数量以及地址:param title_url: 文章标题的网页地址:return:"""response = requests.get(title_url, headers=self.headers)try:if response.status_code == 200:soup = BeautifulSoup(response.text, 'html.parser')# 获取文章主体内容，根据新HTML结构调整选择器content_div = soup.find('div', class_='content-box __imgtext-content')if content_div:content = self.clean(content_div.text)else:content = ""# 图片数量以及地址，过滤掉不需要的图片来源（如含特定关键词的图片）img_url = []all_imgs = soup.find_all('img')for img in all_imgs:src = img.get('src')if src and 'kepuyun' in src and 'logo' not in src and 'wechat' not in src and 'weibo' not in src:img_url.append(src)img_num = len(img_url)self.index_article["content"] = contentself.index_article["img_num"] = img_numself.index_article["img_url"] = img_urlelse:print(f"请求失败，状态码: {response.status_code}")except Exception as err:print('parse_page:', err)代码执行结果如下：
OK，一个简单的案例就到此结束了。