单线程爬虫
# 单线程爬虫实现
# 学习目标
- 完成爬虫案例的实现
# 1 爬取糗事百科段子
页面的URL是：http://www.qiushibaike.com/8hr/page/1 (opens new window)
思路分析：
确定url地址
url地址的规律非常明显，一共只有13页url地址
确定数据的位置
数据都在
id='content-left'的div下的div中，在这个区域，url地址对应的响应和elements相同
# 2 糗事百科代码实现
# coding=utf-8
import requests
from lxml import etree
import time
class QiuBai:
def __init__(self):
self.temp_url = "http://www.qiushibaike.com/8hr/page/{}"
self.headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"}
def get_url_list(self):
'''准备url地址的刘表'''
return [self.temp_url.format(i) for i in range(1,14)]
def parse_url(self,url):
'''发送请求，获取响应'''
response = requests.get(url,headers=self.headers)
return response.content.decode()
def get_content_list(self,html_str):
'''提取数据'''
html = etree.HTML(html_str)
div_list = html.xpath("//div[@id='content-left']/div")
content_list = []
for div in div_list:
item = {}
item["user_name"] = div.xpath(".//h2/text()")[0].strip()
item["content"] = [i.strip() for i in div.xpath(".//div[@class='content']/span/text()")]
content_list.append(item)
return content_list
def save_content_list(self,content_list):
'''保存'''
for content in content_list:
print(content)
def run(self):#实现做主要逻辑
#1. 准备url列表
url_list = self.get_url_list()
#2. 遍历发送请求，获取响应
for url in url_list:
html_str = self.parse_url(url)
#3. 提取数据
content_list = self.get_content_list(html_str)
#4. 保存
self.save_content_list(content_list)
if __name__ == '__main__':
t1 = time.time()
qiubai = QiuBai()
qiubai.run()
print("total cost:",time.time()-t1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
# 小结
- 完成单线程爬虫案例为多线程做准备
- 爬取糗事百科首页数据
- 解析糗事百科页面数据
- 爬取糗事百科所有数据
- 保存数据
编辑 (opens new window)