Python7個爬蟲小案例詳解(附源碼)上篇

更新時間：2023年01月11日 17:05:27 作者：艾派森

這篇文章主要介紹了Python7個爬蟲小案例詳解（附源碼）上篇，本文章內(nèi)容詳細，通過案例可以更好的理解爬蟲的相關(guān)知識，七個例子分為了三部分，本次為上篇，共有二道題，需要的朋友可以參考下

前言

關(guān)于Python7個爬蟲小案例的文章分為三篇，本篇為上篇，共兩題，其余兩篇內(nèi)容請關(guān)注！

題目一：

使用正則表達式和文件操作爬取并保存“百度貼吧”某帖子全部內(nèi)容（該帖不少于5頁)

本次選取的是百度貼吧中的NBA吧中的一篇帖子,帖子標題是“克萊和哈登，誰歷史地位更高”。爬取的目標是帖子里面的回復(fù)內(nèi)容。

源程序和關(guān)鍵結(jié)果截圖：

import csv
import requests
import re
import time
 
def main(page):
    url = f'https://tieba.baidu.com/p/7882177660?pn={page}'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36'
    }
    resp = requests.get(url,headers=headers)
    html = resp.text
    # 評論內(nèi)容
    comments = re.findall('style="display:;">                    (.*?)</div>',html)
    # 評論用戶
    users = re.findall('class="p_author_name j_user_card" href=".*?" rel="external nofollow"  target="_blank">(.*?)</a>',html)
    # 評論時間
    comment_times = re.findall('樓</span><span class="tail-info">(.*?)</span><div',html)
    for u,c,t in zip(users,comments,comment_times):
        # 篩選數(shù)據(jù),過濾掉異常數(shù)據(jù)
        if 'img' in c or 'div' in c or len(u)>50:
            continue
        csvwriter.writerow((u,t,c))
        print(u,t,c)
    print(f'第{page}頁爬取完畢')
 
if __name__ == '__main__':
    with open('01.csv','a',encoding='utf-8')as f:
        csvwriter = csv.writer(f)
        csvwriter.writerow(('評論用戶','評論時間','評論內(nèi)容'))
        for page in range(1,8):  # 爬取前7頁的內(nèi)容
            main(page)
            time.sleep(2)

題目二：

實現(xiàn)多線程爬蟲爬取某小說部分章節(jié)內(nèi)容并以數(shù)據(jù)庫存儲（不少于10個章節(jié))

本次選取的小說網(wǎng)址是全本小說網(wǎng)https://www.qb5.tw/，這里我們選取第一篇小說進行爬取

然后通過分析網(wǎng)頁源代碼分析每章小說的鏈接

找到鏈接的位置后，我們使用Xpath來進行鏈接和每一章標題的提取

在這里，因為涉及到多次使用requests發(fā)送請求，所以這里我們把它封裝成一個函數(shù)，便于后面的使用

每一章的鏈接獲取后，我們開始進入小說章節(jié)內(nèi)容頁面進行分析

通過網(wǎng)頁分析，小說內(nèi)容都在網(wǎng)頁源代碼中，屬于靜態(tài)數(shù)據(jù)

這里我們選用re正則表達式進行數(shù)據(jù)提取，并對最后的結(jié)果進行清洗

然后我們需要將數(shù)據(jù)保存到數(shù)據(jù)庫中，這里我將爬取的數(shù)據(jù)存儲到mysql數(shù)據(jù)庫中，先封住一下數(shù)據(jù)庫的操作

接著將爬取到是數(shù)據(jù)進行保存

最后一步就是使用多線程來提高爬蟲效率，這里我們創(chuàng)建了5個線程的線程池

源代碼及結(jié)果截圖：

import requests
from lxml import etree
import re
import pymysql
from time import sleep
from concurrent.futures import ThreadPoolExecutor
 
def get_conn():
    # 創(chuàng)建連接
    conn = pymysql.connect(host="127.0.0.1",
                           user="root",
                           password="root",
                           db="novels",
                           charset="utf8")
    # 創(chuàng)建游標
    cursor = conn.cursor()
    return conn, cursor
 
def close_conn(conn, cursor):
    cursor.close()
    conn.close()
 
def get_xpath_resp(url):
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36'}
    resp = requests.get(url, headers=headers)
    tree = etree.HTML(resp.text)  # 用etree解析html
    return tree,resp
 
def get_chapters(url):
    tree,_ = get_xpath_resp(url)
    # 獲取小說名字
    novel_name = tree.xpath('//*[@id="info"]/h1/text()')[0]
    # 獲取小說數(shù)據(jù)節(jié)點
    dds = tree.xpath('/html/body/div[4]/dl/dd')
    title_list = []
    link_list = []
    for d in dds[:15]:
        title = d.xpath('./a/text()')[0]  # 章節(jié)標題
        title_list.append(title)
        link = d.xpath('./a/@href')[0]   # 章節(jié)鏈接
        chapter_url = url +link  # 構(gòu)造完整鏈接
        link_list.append(chapter_url)
    return title_list,link_list,novel_name
 
def get_content(novel_name,title,url):
    try:
        cursor = None
        conn = None
        conn, cursor = get_conn()
        # 插入數(shù)據(jù)的sql
        sql = 'INSERT INTO novel(novel_name,chapter_name,content) VALUES(%s,%s,%s)'
        tree,resp = get_xpath_resp(url)
        # 獲取內(nèi)容
        content = re.findall('<div id="content">(.*?)</div>',resp.text)[0]
        # 對內(nèi)容進行清洗
        content = content.replace('<br />','\n').replace('&nbsp;',' ').replace('全本小說網(wǎng) www.qb5.tw，最快更新<a  rel="external nofollow" >宇宙職業(yè)選手</a>最新章節(jié)！<br><br>','')
        print(title,content)
        cursor.execute(sql,[novel_name,title,content])  # 插入數(shù)據(jù)
        conn.commit()  # 提交事務(wù)保存數(shù)據(jù)
    except:
        pass
    finally:
        sleep(2)
        close_conn(conn, cursor)  # 關(guān)閉數(shù)據(jù)庫
 
 
if __name__ == '__main__':
    # 獲取小說名字，標題鏈接，章節(jié)名稱
    title_list, link_list, novel_name = get_chapters('https://www.qb5.tw/book_116659/')
    with ThreadPoolExecutor(5) as t:  # 創(chuàng)建5個線程
        for title,link in zip(title_list,link_list):
            t.submit(get_content, novel_name,title,link)  # 啟動線程