少年击剑更吹箫,剑气箫心一例消。这篇文章主要讲述#yyds干货盘点# 程序员是这样学习中药学知识的,先用python采集分析一波相关的知识,希望能为你提供帮助。
本次博客为《爬虫 120 例》第 33 例,重点学习的模块为 pyquery
。
目标站点分析本次要采集的站点为:http://www.zhongyoo.com/name/page_1.html,其中列表页规则如下:
http://www.zhongyoo.com/name/page_1.html
http://www.zhongyoo.com/name/page_2.html
http://www.zhongyoo.com/name/page_页码.html
每页有 20 条数据,可查阅总页码为 45 页。
详情页地址可通过标题指向的链接获取。
文章图片
最终的目标数据是获取详情页,各个指标数据,具体如下图所示(不同页面规则有细微差异,解析数据时需要特别注意)
文章图片
本爬虫编写分为两个步骤完成,第一步将所有详情页保存到本地,第二步提取本地 HTML 数据。
编码时间保存 HTML 静态数据到本地,重点注意编码问题即可。
from pyquery import PyQuery as pq
import time
import requests
import chardetdef get_html(page):
headers =
"User-Agent": "Mozilla/5.0 (Windows NT 6.1;
Win64;
x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36"res = requests.get(url=http://www.zhongyoo.com/name/page_.html.format(page), headers=headers, timeout=5)res.encoding = "gb2312"pq_data = https://www.songbingjia.com/android/pq(res.text)
titles = pq_data.find("strong>
a.title")for item in titles:
# 下面两种写法都能获取到 href 属性
# print(pq(item).attr(href))
# print(item.attrib[href])
link = pq(item).attr(href)
print(link)
save(link)
# return len(res.text)def save(link):
headers =
"User-Agent": "Mozilla/5.0 (Windows NT 6.1;
Win64;
x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36"doc = pq(url=link, headers=headers, encoding=gbk)
title = doc(title)
print(title.text())
if title:
title = title.text().split(_)[0]text = doc.html()with open("./html/.html".format(title), "w+") as f:
f.write(text.encode("gbk", "ignore").decode("gbk"))if __name__ == __main__:
# 静态页面获取代码逻辑
page_data = https://www.songbingjia.com/android/list(range(1, 46))
ret = map(get_html, page_data)
for item in ret:
print(item)
【#yyds干货盘点# 程序员是这样学习中药学知识的,先用python采集分析一波】在提取网页元素的
href
属性时碰到一个 BUG,如下所示:AttributeError: HtmlElement object has no attribute attr
此时可以直接使用
ElementTree API
访问标签的属性,也可以对 HtmlElemente
进行封装,即使用 pq
进行包裹,代码如下:pq(item).attr(href)
还有一种方式是调用上述变量
titles
的 .items
方法,此时就可以通过 .attr
函数,获取 href
属性。由于网页是
gb2312
编码,实测中发现是 gbk
编码,但在存储文件时,还是存在字符无法被转换,故增加如下代码,去除无法被转换的字符。with open("./html/.html".format(title), "w+") as f:
f.write(text.encode("gbk", "ignore").decode("gbk"))
注意以下问题,都是字符编码的问题。
>
gb2312 codec cant encode character \\u85a2 in position 14654: illegal multibyte sequence
>
gbk codec cant encode character \\xa9 in position 20633: illegal multibyte sequence
>
utf-8 codec cant decode byte 0xb2 in position 164: invalid start byte
编写数据提取部分代码时,发现使用
pyquery
提取会变得很复杂,还是需要正则表达式的介入,以下代码可供参考。def extract_data():
file_names = os.listdir("./html/")
for file in file_names:
with open(f"./html/file", "r") as f:
html_content = f.read()
# 解析数据
pq_obj = pq(html_content)
items = pq_obj.find(div.text p)
print("获取到的段落数为,", len(items))
# 等待提取的字符串
item_str = ""
for item in items:
text = pq(item).text()
item_str += text
# 使用正则提取数据
# 正名/中药名/药名
name_p = re.compile(【(正名|中药名|药名)】([\\s\\S]*?)【)
name = name_p.findall(item_str)
# 别名
alias_p = re.compile(【别名】([\\s\\S]*?)【)
alias = alias_p.findall(item_str)
# 英文名
en_name_p = re.compile(【英文名】([\\s\\S]*?)【)
en_name = en_name_p.findall(item_str)
print(name, alias, en_name)
文章图片
收藏时间
推荐阅读
- Selenium3自动化测试31Cookie处理
- 初识dosker+安装docker
- CentOS8安装Geant4笔记(Geant4介绍编译和安装)
- (服务注册是如何发起的)
- Spring认证指南(了解如何使用 Gemfire 的数据结构构建应用程序)
- JavaScript 数据处理 - 映射表篇
- ZookeeperKafka 单机版安装
- Linux之traceroute命令
- Spring源码之七registerListeners()及发布订阅模式