【爬蟲筆記】ONE一個問題及文章爬取(二)

ONE一個除了有一個ONE模塊之外,另外還有ONE 文章,ONE 問題模塊

這篇筆記將會講述如何爬取這兩個模塊。

15年前,互聯網是一個逃避現實的地方;現在,現實是一個可以逃避互聯網的地方。

From ONE一個

獲得文章鏈接列表

繼續上篇日記,依舊是利用chorme分析網頁構成。

由圖可看出,文章的主要內容并不在主頁當中,需要點開鏈接跳轉得到,我們需要得到每一篇文章的url,組成文章鏈接列表,再利用列表鏈接進行文章的爬取。

而通過源代碼,我們發現文章的鏈接都在類名為fp-one-articulodiv中,于是我們遍歷該div中所有的a標簽,再從標簽中提取url

def getArticlelist(page):
    article_list = []
    soup = BeautifulSoup(page, 'html.parser')
    for i in soup.findAll('div',class_ ='fp-one-articulo'):
        for j in i.find_all('a'):
            article_url = j['href']
            article_list.append(article_url)
    return article_list

可以獲得文章鏈接列表:

'http://wufazhuce.com/article/2818', 
'http://wufazhuce.com/article/2819', 
'http://wufazhuce.com/article/2816', 
'http://wufazhuce.com/article/2810', 
'http://wufazhuce.com/article/2808', 
'http://wufazhuce.com/article/2815', 
'http://wufazhuce.com/article/2812'

獲得文章內容

既然已經獲得文章鏈接列表,接下來我們就需要遍歷列表,對每一個鏈接進行解析,目標得到文章的作者,標題,內容。

def getArticle(list):
    artlist = []
    for url in list:
        page_article = requests.get(url).content
        soup = BeautifulSoup(page_article, 'html.parser')
        title = soup.find_all('div',class_ = 'one-articulo')[0].h2.text
        autor =  soup.find_all('div',class_ = 'one-articulo')[0].p.text
        article = soup.find_all('div',class_ = 'one-articulo')[0].find_all('div',class_ = 'articulo-contenido')[0].text
        data = {
            'title':title,
            'article':article,
            'autor':autor
        }
        artlist.append(data)
    return artlist

函數返回包含所有文章的標題,作者及內容的字典格式


問題模塊

問題模塊與上面文章模塊沒有明顯差別,依舊先得到urllist,再對每一個url進行爬取。

def getQuestionlist(page):
    question_list = []
    soup = BeautifulSoup(page, 'html.parser')
    for i in soup.findAll('div',class_ ='fp-one-cuestion'):
        for j in i.find_all('a'):
            question_url = j['href']
            question_list.append(question_url)
    return question_list
    
def getQuestion(list):
    queslist = []
    for url in list:
        page_article = requests.get(url).content
        soup = BeautifulSoup(page_article, 'html.parser')
        question_title = soup.find_all('div',class_ = 'one-cuestion')[0].h4.text
        question_brief = soup.find_all('div',class_ = 'cuestion-contenido')[0].text
        question_content = soup.find_all('div',class_ = 'cuestion-contenido')[1].text
        data = {
            'ques_title':question_title,
            'ques_brief':question_brief,
            'ques_content':question_content
        }
        queslist.append(data)
    return queslist

集合字典

上文中,我們分別獲得了ONE模塊,ONE 文章模塊,ONE 問題模塊的字典列表,那么我們如何將三個字典集合為一個字典對象呢?

for one,art,ques in zip(one_dict,article_dict,question_dict):
    dic = {}
    dic.update(one)
    dic.update(art)
    dic.update(ques)
    dict_list.append(dic)
for dict in dict_list:
    for key in dict:
        print key, ':', dict[key]  

我們就獲得最終的dict_list數據列表。

源碼

#!/usr/bin/python
# -*- coding: utf-8 -*-

import requests
from bs4 import BeautifulSoup

def getPage(url):
    return requests.get(url).content

def getOne(page):
    list = []
    soup = BeautifulSoup(page, 'html.parser')
    for i in soup.find_all('div',class_ = 'item'):
        # image = i.a.img['src']
        onelist = i.find_all('a')
        image = onelist[0].img['src']
        word = onelist[1].text
        infolist = i.find_all('p')
        id = infolist[0].text
        date = infolist[1].text+' '+infolist[2].text
        data = {
            'image':image,
            'word':word,
            'id':id,
            'date':date
        }
        list.append(data)
    return list

def getArticlelist(page):
    article_list = []
    soup = BeautifulSoup(page, 'html.parser')
    for i in soup.findAll('div',class_ ='fp-one-articulo'):
        for j in i.find_all('a'):
            article_url = j['href']
            article_list.append(article_url)
    return article_list

def getQuestionlist(page):
    question_list = []
    soup = BeautifulSoup(page, 'html.parser')
    for i in soup.findAll('div',class_ ='fp-one-cuestion'):
        for j in i.find_all('a'):
            question_url = j['href']
            question_list.append(question_url)
    return question_list

def getArticle(list):
    artlist = []
    for url in list:
        page_article = requests.get(url).content
        soup = BeautifulSoup(page_article, 'html.parser')
        title = soup.find_all('div',class_ = 'one-articulo')[0].h2.text
        autor =  soup.find_all('div',class_ = 'one-articulo')[0].p.text
        article = soup.find_all('div',class_ = 'one-articulo')[0].find_all('div',class_ = 'articulo-contenido')[0].text
        data = {
            'title':title,
            'article':article,
            'autor':autor
        }
        artlist.append(data)
    return artlist

def getQuestion(list):
    queslist = []
    for url in list:
        page_article = requests.get(url).content
        soup = BeautifulSoup(page_article, 'html.parser')
        question_title = soup.find_all('div',class_ = 'one-cuestion')[0].h4.text
        question_brief = soup.find_all('div',class_ = 'cuestion-contenido')[0].text
        question_content = soup.find_all('div',class_ = 'cuestion-contenido')[1].text
        data = {
            'ques_title':question_title,
            'ques_brief':question_brief,
            'ques_content':question_content
        }
        queslist.append(data)
    return queslist


if __name__ == '__main__':
    url = "http://www.wufazhuce.com/"
    dict_list = []
    one_page = getPage(url)
    one_dict = getOne(one_page)
    article_list = getArticlelist(one_page)
    article_dict = getArticle(article_list)
    question_list = getQuestionlist(one_page)
    question_dict = getQuestion(question_list)
    for one,art,ques in zip(one_dict,article_dict,question_dict):
        dic = {}
        dic.update(one)
        dic.update(art)
        dic.update(ques)
        dict_list.append(dic)
    for dict in dict_list:
        for key in dict:
            print key, ':', dict[key]

問題

雖然解決了模塊內容問題,但是數據少依舊是一個問題。ONE一個網站只開放了七天的數據,如何獲得更多的數據,甚至是一年的數據呢?這么大的數據如何保存呢?

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 230,563評論 6 544
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 99,694評論 3 429
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 178,672評論 0 383
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 63,965評論 1 318
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 72,690評論 6 413
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 56,019評論 1 329
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 44,013評論 3 449
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 43,188評論 0 290
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 49,718評論 1 336
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 41,438評論 3 360
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 43,667評論 1 374
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 39,149評論 5 365
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,845評論 3 351
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 35,252評論 0 28
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 36,590評論 1 295
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 52,384評論 3 400
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 48,635評論 2 380

推薦閱讀更多精彩內容