栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 软件开发 > 后端开发 > Python

python爬虫——爬取古诗名句

Python 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

python爬虫——爬取古诗名句

一. 概要

1.通过python爬虫循环爬取古诗词网站古诗名句
2.落地到本地数据库

二. 页面分析

首先通过firedebug进行页面定位:

其次源码定位:

最终生成lxml etree定位div标签源码:

response = etree.HTML(data)

for row in response.xpath('//div[@class="left"]/div[@class="sons"]/div[@class="cont"]'):

    content = row.xpath('a/text()')[0]

    origin = row.xpath('a/text()')[-1]

    self.db.add_new_row('mingJuSpider', {'content': content, 'origin': origin, 'createTime': str(date.today())})

三. 执行结果

四. 脚本源码

#!/usr/bin/env python

# -*- coding: utf-8 -*-

'''

@Date    : 2017/12/21 12:35

@Author  : kaiqing.huang

@File    : mingJuSpider.py

'''

from utils import MySpider, Mongobase

from datetime import date

from lxml import etree

import sys


class mingJuSpider():

    def __init__(self):

        self.db = Mongobase()

        self.spider = MySpider()


    def download(self):

        for pageId in range(1,117):

            url = 'http://so.gushiwen.org/mingju/Default.aspx?p={}&c=&t='.format(pageId)

            print url

            data = self.spider.get(url)

            if data:

                self.parse(data)


    def parse(self, data):

        response = etree.HTML(data)

        for row in response.xpath('//div[@class="left"]/div[@class="sons"]/div[@class="cont"]'):

            content = row.xpath('a/text()')[0]

            origin = row.xpath('a/text()')[-1]

            self.db.add_new_row('mingJuSpider', {'content': content, 'origin': origin, 'createTime': str(date.today())})


if __name__ == '__main__':

    sys.setrecursionlimit(100000)

    do = mingJuSpider()

    do.download()

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/224160.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号