博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
非结构化数据与结构化数据提取--- 糗事百科案例
阅读量:6190 次
发布时间:2019-06-21

本文共 1158 字,大约阅读时间需要 3 分钟。

糗事百科实例:

爬取糗事百科段子,假设页面的URL是 

要求:

  1. 使用requests获取页面信息,用XPath / re 做数据提取

  2. 获取每个帖子里的用户头像链接用户姓名段子内容点赞次数评论次数

  3. 保存到 json 文件内

参考代码

#qiushibaike.py#import urllib#import re#import chardetimport requests from lxml import etree page = 1 url = 'http://www.qiushibaike.com/8hr/page/' + str(page) headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36', 'Accept-Language': 'zh-CN,zh;q=0.8'} try: response = requests.get(url, headers=headers) resHtml = response.text html = etree.HTML(resHtml) result = html.xpath('//div[contains(@id,"qiushi_tag")]') for site in result: item = {} imgUrl = site.xpath('./div/a/img/@src')[0].encode('utf-8') username = site.xpath('./div/a/@title')[0].encode('utf-8') #username = site.xpath('.//h2')[0].text content = site.xpath('.//div[@class="content"]/span')[0].text.strip().encode('utf-8') # 投票次数 vote = site.xpath('.//i')[0].text #print site.xpath('.//*[@class="number"]')[0].text # 评论信息 comments = site.xpath('.//i')[1].text print imgUrl, username, content, vote, comments except Exception, e: print e

演示效果

 

转载于:https://www.cnblogs.com/joshuazc/p/9790819.html

你可能感兴趣的文章
结对编程-四则运算(挑战出题)
查看>>
linux每日命令(28):chgrp命令
查看>>
CGPathAddArc
查看>>
vue 本地预览多图上传
查看>>
红黑树的实现
查看>>
分裂 BZOJ2064 状压DP
查看>>
vue-router 中踏过的坑
查看>>
「ubuntu」在Ubuntu Server 16.04 LTS下安装VMware Tools(转)
查看>>
whereis命令详解
查看>>
Nodejs学习路线图
查看>>
mysql百万数据生成
查看>>
Beta 冲刺(3/7)
查看>>
try...catch..finally..语句中,finally是否必须存在?作用是什么
查看>>
Python::OS 模块简介
查看>>
微软职位内部推荐-Senior Software Lead-Index Gen
查看>>
【高德地图Android SDK】视频教学
查看>>
Python基础15_装饰器
查看>>
P2962 [USACO09NOV]灯Lights
查看>>
铁大Facebook——十天冲刺(1)
查看>>
NYOJ712
查看>>