最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

python爬蟲爬取幽默笑話網(wǎng)站

 更新時(shí)間:2019年10月24日 10:00:30   作者:青辰啊  
這篇文章主要介紹了python爬蟲爬取幽默笑話網(wǎng)站,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下

爬取網(wǎng)站為:http://xiaohua.zol.com.cn/youmo/

查看網(wǎng)頁機(jī)構(gòu),爬取笑話內(nèi)容時(shí)存在如下問題:

1、每頁需要進(jìn)入“查看更多”鏈接下面網(wǎng)頁進(jìn)行進(jìn)一步爬取內(nèi)容每頁查看更多鏈接內(nèi)容比較多,多任務(wù)進(jìn)行,這里采用線程池的方式,可以有效地控制系統(tǒng)中并發(fā)線程的數(shù)量。避免當(dāng)系統(tǒng)中包含有大量的并發(fā)線程時(shí),導(dǎo)致系統(tǒng)性能下降,甚至導(dǎo)致 Python 解釋器崩潰,引入線程池,花費(fèi)時(shí)間更少,更效率。

  • 創(chuàng)建線程 池threadpool.ThreadPool()
  • 創(chuàng)建需要線程池處理的任務(wù)即threadpool.makeRequests(),makeRequests存放的是要開啟多線程的函數(shù),以及函數(shù)相關(guān)參數(shù)和回調(diào)函數(shù),其中回調(diào)函數(shù)可以不寫(默認(rèn)是無)。
  • 將創(chuàng)建的多個(gè)任務(wù)put到線程池中,threadpool.putRequest()
  • 等到所有任務(wù)處理完畢theadpool.pool()

2、查看鏈接笑話頁內(nèi)容,div元素內(nèi)部文本分布比較混亂。有的分布在<p>鏈接內(nèi)有的屬于div的文本,可采用正則表達(dá)式的方式解決。

注意2種獲取元素節(jié)點(diǎn)的方式:

1)lxml獲取節(jié)點(diǎn)字符串

res=requests.get(url,headers=headers)
html = res.text
 
lxml 獲取節(jié)點(diǎn)寫法
element=etree.HTML(html)
divEle=element.xpath("http://div[@class='article-text']")[0]  # 獲取div節(jié)點(diǎn)
div= etree.tostring(divEle, encoding = 'utf-8' ).decode('utf-8') # 轉(zhuǎn)換為div字符串

2)正則表達(dá)式寫法1,過濾回車、制表符和p標(biāo)簽

# 第一種方式:replace
content = re.findall('<div class="article-text">(.*?)</div>',html,re.S)
content = content[0].replace('\r','').replace('\t','').replace('<p>','').replace('</p>','').strip()

3)正則表達(dá)式寫法2,過濾回車、制表符和p標(biāo)簽

# 第二種方式:sub
for index in range(len(content)):
  content[index] = re.sub(r'(\r|\t|<p>|<\/p>)+','',content[index]).strip()
 
list = ''.join(content)
print(list)

3、完整代碼

index.py

import requests
import threadpool
import time
import os,sys
import re
from lxml import etree
from lxml.html import tostring
 
 
class ScrapDemo():
  next_page_url=""  #下一頁的URL
  page_num=1 #當(dāng)前頁
  detail_url_list=0 #詳情頁面URL地址list
  deepth=0 #設(shè)置抓取的深度
  headers = {
    "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.84 Safari/537.36"
  }
  fileNum=0
 
  def __init__(self,url):
    self.scrapyIndex(url)
 
  def threadIndex(self,urllist): #開啟線程池
    if len(urllist) == 0:
      print("請(qǐng)輸入需要爬取的地址")
      return False
    ScrapDemo.detail_url_list=len(urllist)
    pool=threadpool.ThreadPool(len(urllist))
    requests=threadpool.makeRequests(self.detailScray,urllist)
    for req in requests:  
      pool.putRequest(req)
      time.sleep(0.5)
    pool.wait()
 
  def detailScray(self,url): # 獲取html結(jié)構(gòu)
    if not url == "":
      url='http://xiaohua.zol.com.cn/{}'.format(url)
      res=requests.get(url,headers=ScrapDemo.headers)
      html=res.text
      # element=etree.HTML(html)
      # divEle=element.xpath("http://div[@class='article-text']")[0]  # Element div     
      self.downloadText(html) 
 
  def downloadText(self,ele): # 抓取數(shù)據(jù)并存為txt文件
    clist = re.findall('<div class="article-text">(.*?)</div>',ele,re.S)
    for index in range(len(clist)):
      '''
        正則表達(dá)式:過濾掉回車、制表符和p標(biāo)簽
      '''
      clist[index]=re.sub(r'(\r|\t|<p>|<\/p>)+','',clist[index]) 
    content="".join(clist)
    # print(content) 
    basedir=os.path.dirname(__file__)
    filePath=os.path.join(basedir)
    filename="xiaohua{0}-{1}.txt".format(ScrapDemo.deepth,str(ScrapDemo.fileNum))
    file=os.path.join(filePath,'file_txt',filename)
    try:
      f=open(file,"w")
      f.write(content)
      if ScrapDemo.fileNum == (ScrapDemo.detail_url_list - 1):
        print(ScrapDemo.next_page_url)
        print(ScrapDemo.deepth)
        if not ScrapDemo.next_page_url == "":
          self.scrapyIndex(ScrapDemo.next_page_url)
    except Exception as e:
      print("Error:%s" % str(e))
 
    ScrapDemo.fileNum=ScrapDemo.fileNum+1
    print(ScrapDemo.fileNum)
 
  def scrapyIndex(self,url): 
    if not url == "":
      ScrapDemo.fileNum=0
      ScrapDemo.deepth=ScrapDemo.deepth+1
      print("開啟第{0}頁抓取".format(ScrapDemo.page_num))
      res=requests.get(url,headers=ScrapDemo.headers)
      html=res.text
      element=etree.HTML(html)
      a_urllist=element.xpath("http://a[@class='all-read']/@href") # 當(dāng)前頁所有查看全文
      next_page=element.xpath("http://a[@class='page-next']/@href") # 獲取下一頁的url
      ScrapDemo.next_page_url='http://xiaohua.zol.com.cn/{}'.format(next_page[0])
      if not len(next_page) == 0 and ScrapDemo.next_page_url != url:
        ScrapDemo.page_num=ScrapDemo.page_num+1
        self.threadIndex(a_urllist[:]) 
      else:
        print('下載完成,當(dāng)前頁數(shù)為{}頁'.format(ScrapDemo.page_num))
        sys.exit()

runscrapy.py

from app import ScrapDemo
url="http://xiaohua.zol.com.cn/youmo/"
ScrapDemo(url)

運(yùn)行如下:

總共1988個(gè)文件,下載完成。

以上就是本文的全部內(nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。

相關(guān)文章

  • pytorch中backward()方法如何自動(dòng)求梯度

    pytorch中backward()方法如何自動(dòng)求梯度

    這篇文章主要介紹了pytorch中backward()方法如何自動(dòng)求梯度問題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2023-02-02
  • python中CURL 和python requests的相互轉(zhuǎn)換實(shí)現(xiàn)

    python中CURL 和python requests的相互轉(zhuǎn)換實(shí)現(xiàn)

    本文主要介紹了python中CURL 和python requests的相互轉(zhuǎn)換實(shí)現(xiàn),文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2023-03-03
  • python3 實(shí)現(xiàn)口罩抽簽的功能

    python3 實(shí)現(xiàn)口罩抽簽的功能

    這篇文章主要介紹了python3 實(shí)現(xiàn) 口罩抽簽的功能,本文通過實(shí)例代碼給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
    2020-03-03
  • python遍歷目錄下所有文件的五種實(shí)現(xiàn)方法

    python遍歷目錄下所有文件的五種實(shí)現(xiàn)方法

    本文主要介紹了python遍歷目錄下所有文件的五種實(shí)現(xiàn)方法,包含os.walk(),os.scandir(),os.listdir(),glob模塊和osqp模塊這幾種方法,具有一定的參考價(jià)值,感興趣的可以了解一下
    2024-07-07
  • Python 樹表查找(二叉排序樹、平衡二叉樹)

    Python 樹表查找(二叉排序樹、平衡二叉樹)

    本文并不會(huì)深入講解樹數(shù)據(jù)結(jié)構(gòu)的基本的概念,僅是站在使用的角度說清楚動(dòng)態(tài)查詢。閱讀此文之前,請(qǐng)預(yù)備一些樹的基礎(chǔ)知識(shí)。
    2023-01-01
  • Python如何根據(jù)字幕文件自動(dòng)給視頻添加字幕效果

    Python如何根據(jù)字幕文件自動(dòng)給視頻添加字幕效果

    視頻中字幕的重要性不用多說了,下面這篇文章主要給大家介紹了關(guān)于Python如何根據(jù)字幕文件自動(dòng)給視頻添加字幕效果的相關(guān)資料,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下
    2022-02-02
  • python中的annotate函數(shù)使用

    python中的annotate函數(shù)使用

    這篇文章主要介紹了python中的annotate函數(shù)使用方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2022-05-05
  • python判斷列表字典字符串元組是否存在某個(gè)值或者空值(多種方法)

    python判斷列表字典字符串元組是否存在某個(gè)值或者空值(多種方法)

    這篇文章主要介紹了python判斷列表字典字符串元組是否存在某個(gè)值或者空值,本文通過實(shí)例代碼給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友參考下吧
    2024-02-02
  • 詳解Django模版中加載靜態(tài)文件配置方法

    詳解Django模版中加載靜態(tài)文件配置方法

    這篇文章主要介紹了Django模版中加載靜態(tài)文件配置方法,本文給大家介紹的非常詳細(xì),具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
    2019-07-07
  • Django 緩存配置Redis使用詳解

    Django 緩存配置Redis使用詳解

    這篇文章主要介紹了Django 緩存配置Redis使用詳解,緩存是將一些常用的數(shù)據(jù)保存內(nèi)存或者memcache中,在一定的時(shí)間內(nèi)有用戶來訪問這些數(shù)據(jù)時(shí),則不再去執(zhí)行數(shù)據(jù)庫及渲染等操作,而是直接從內(nèi)存或memcache的緩存中去取得數(shù)據(jù),然后返回給用戶
    2019-07-07

最新評(píng)論

太保市| 前郭尔| 禹州市| 平凉市| 慈利县| 湘阴县| 阿荣旗| 台东县| 绥阳县| 衡水市| 凉城县| 当雄县| 光泽县| 澜沧| 沁源县| 神农架林区| 和静县| 延庆县| 峨眉山市| 岳西县| 新巴尔虎左旗| 兴宁市| 玉门市| 乡城县| 长垣县| 依安县| 沙湾县| 无锡市| 宝山区| 黄冈市| 阿克| 怀来县| 邹平县| 珲春市| 桑植县| 阳西县| 罗定市| 元谋县| 天门市| 金堂县| 夏津县|