admin 管理员组文章数量: 887017
实施步骤
(1) 数据爬取：使用requests请求为基础获取数据源。
(2) UA伪装：模拟浏览器访问网址。
(3) 数据解析：使用xpath语法处理数据。
(4) 数据存储：获取需求数据后使用Excrl进行存储
目标网址
https://ac.qq/Comic/all/search/hot/page/1
库的使用
Openpyxl：openpyxl 模块是一个读写 Excel 2010 文档的 Python 库，如果要处理更早格式的 Excel 文档，需要用到其它库（如：xlrd、xlwt 等），这是 openpyxl 比较其他模块的不足之处。openpyxl 是一款比较综合的工具，不仅能够同时读取和修改 Excel 文档，而且可以对Excel文件内单元格进行详细设置，包括单元格样式等内容，甚至还支持图表插入、打印设置等内容，使用 openpyxl 可以读写xltm, xltx, xlsm, xlsx 等类型的文件，且可以处理数据量较大的 Excel 文件，跨平台处理大量数据等。
Requests：requests是基于Python开发的HTTP 库，与urllib标准库相比，它不仅使用方便，而且能节约大量的工作。实际上，requests是在urllib的基础上进行了高度的封装，它不仅继承了urllib的所有特性，而且还支持一些其它的特性，比如使用Cookie保持会话、自动确定响应内容的编码等，可以轻而易举地完成浏览器的任何操作。
Lxml：lxml是一个Python库，使用它可以轻松处理XML和HTML文件，还可以用于web爬取。这个库的主要优点是易于使用，在解析大型文档时速度非常快，归档的也非常好，并且提供了简单的转换方法来将数据转换为Python数据类型，从而使文件操作更容易。
数据采集
简单分析网页后发现该网页翻页操作可通过对url的相关参数修改得知。
测试如下：
进行多次测试得知通过对url相关参数修改的确实现了换页功能。
！！！！！！
共292页，我们可以通过简单的for循环实现每一页的替换。
for n in range(293):
请求数据
对url进行修饰后使得for循环的参数可以对请求的目标网址url进行影响。
url = f'https://ac.qq/Comic/all/search/hot/page/{n}'
因为绝大多数门户网站的服务器会检测对应请求的载体身份标识，如果检测到载体身份标识为某一浏览器说明该请求是一个正常请求. 但是！如果检测到请求载体身份标识不是基础于莫一款浏览器的，则表示该请求为不正常请求（爬虫），则服务器端就很有可能拒绝该次请求。所以为了应对我们进行一点小小的操作UA伪装（UA伪装:让爬虫对应的请求载体身份标识伪装成某一款浏览器）
这里我们直接复制浏览器的UA让爬虫携带上就可以进行UA伪装了。
headers={"User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)Chrome/85.0.4183.83 Safari/537.36'}
综上所述采集获取部分如下：
for n in range(293):
url = f'https://ac.qq/Comic/all/search/hot/page/{n}'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36'
}
response = requests.get(url=url,headers=headers)
数据分析
首先对采集的数据进行简单的处理。
response = response.text
tree = etree.HTML(response)
对网址检查分析。
发现它的每一页的每一部漫画的相关数据在这样一个li标签里面。
使用xpath进行解析
li_all = tree.xpath('/html/body/div[3]/div[2]/div/div[2]/ul/li')
获取了每一页的所有漫画大概内容后，就可以对每本的细节进行分析。
这里我们获取每本漫画漫画名，作者，人气。
对网页分析如下：
使用xpath语法解析得
作品名字 = li_all[q].xpath('./div[2]/h3/a/text()')
作者 = li_all[q].xpath('./div[2]/p[1]/text()')
人气 = li_all[q].xpath('./div[2]/p[2]/span/em/text()')
因为一个的本数刚好就是之前
- 的个数，我们对li标签的列表进行长度获取就可以。
-
len(li_all)然后进行for循环遍历，获取每页每本的详细数据。
for q in range(len(li_all)): e = li_all[q].xpath('./div[2]/h3/a/text()') z = li_all[q].xpath('./div[2]/p[1]/text()') r = li_all[q].xpath('./div[2]/p[2]/span/em/text()')综上所述解析获取部分如下：
response = response.text tree = etree.HTML(response) li_all = tree.xpath('/html/body/div[3]/div[2]/div/div[2]/ul/li') for q in range(len(li_all)): e = li_all[q].xpath('./div[2]/h3/a/text()') z = li_all[q].xpath('./div[2]/p[1]/text()') r = li_all[q].xpath('./div[2]/p[2]/span/em/text()')源码
import openpyxl import requests from lxml import etree wb = openpyxl.Workbook() # 新建一个workbook # print(wb) ws = wb.active # 调用正在运行的工作表 ws['A1'] = '漫画';ws['B1'] = '作者名字';ws['C1'] = '人气' number = 2 for n in range(293): url = f'https://ac.qq/Comic/all/search/hot/page/{n}' headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36' } response = requests.get(url=url,headers=headers) response = response.text tree = etree.HTML(response) li_all = tree.xpath('/html/body/div[3]/div[2]/div/div[2]/ul/li') for q in range(len(li_all)): e = li_all[q].xpath('./div[2]/h3/a/text()') z = li_all[q].xpath('./div[2]/p[1]/text()') r = li_all[q].xpath('./div[2]/p[2]/span/em/text()') ws[f'A{number}'] = e[0] ws[f'B{number}'] = z[0] ws[f'C{number}'] = r[0] print('漫画:',e[0],'\n作者名字:',z[0],'\n人气:',r[0]) print() number += 1 wb.save('./漫画.xlsx')结果演示
版权声明：本文标题：Python爬虫案例，腾讯动漫爬虫，步骤超详细解释。 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.freenas.com.cn/jishu/1727248885h1088652.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论