python爬虫爬取特定网站的全部网页

话不多说直接上代码:

获取目标网站的大量相关网页链接

if name == 'main':
import ClimbHealthSkyCom

ClimbHealthSkyCom.main()

对链接进行进一步处理,去重

def LinkDeduplication():
print('开始链接去重')
try:
fp = open('secondList.txt', 'r')
linkList = []
line = fp.readline()
while line:
linkList.append(line)
line = fp.readline()
except:
print('未找到相关文件')
# 去重
dealLinkListResult = list(set(linkList))
dealLinkListResult.sort()
# 保存去重后的链接
try:
fp = open('dealLinkListResult.txt', 'a')
except:
print('创建dealLinkListResult.txt失败')
for temp in dealLinkListResult:
fp.write(temp)
print('链接去重结束')

LinkDeduplication()

爬取中国糖尿病网站中糖尿病相关信息链接

author 王耀国

time 2019年12月29日

'''
经过分析,该网站的首页是动态加载内容,并且加载网页的url为http://www.health-sky.com/zhishi/page/
目前为止不清楚网页的规模大小,也就是不知道?最大时多少
经过分析,首页右侧有几大分类,可以依据其相似格式对网站进行爬取
现在构造一个链接盒子listold[]存放已经爬取过的链接,目前时单线程爬取,以后考虑多线程,一边更新自建的目标网站链接库,一边爬取并解析网页
构造一个二级链接库
'''

import urllib.request
from bs4 import BeautifulSoup
import re
import os

第一步获取原网页 因为网页位动态加载所以需要分析抓取动态网页 经过分析找到了动态加载的链接。

def gethtml(url):
print('正在获取网页')
req = urllib.request.Request(url)
response = urllib.request.urlopen(req)
res = response.read().decode('utf-8')
print('获取网页结束')
return res

利用Beautiful Soup解析网页

def ParsingWebpage(res):
print('正在解析网页')
# 暂存新的链接
secondList = []
# 将新获得的链接保存到文件中
if (os.path.exists('secondList.txt')):
fp2 = open('secondList.txt', 'a')
print("打开已存在的'secondList.txt'")
else:
fp2 = open('secondList.txt', 'w')
print("创建新的'secondList.txt'")
soup = BeautifulSoup(res, "lxml")
# 获取网站的全部指定链接
for linkList in soup.find_all('a',href = re.compile(r"http://www.health-sky.com/.*?.html")):
# print(linkList['href'])
secondList.append(linkList['href'] + "\n")
for temp in secondList:
fp2.write(temp)
fp2.close()
print('解析网页结束')

从此处开始爬取

def main():
print('进入main')
# 参照首页右侧的链接大类分类爬取并保存
firstLink = [] # 原始的链接库
firstLink.append('http://www.health-sky.com/zhishi')
firstLink.append('http://www.health-sky.com/bingyin')
firstLink.append('http://www.health-sky.com/zhengzhuang')
firstLink.append('http://www.health-sky.com/zhiliao')
firstLink.append('http://www.health-sky.com/jiancha')
firstLink.append('http://www.health-sky.com/zhenduan')
firstLink.append('http://www.health-sky.com/bingfazheng')
firstLink.append('http://www.health-sky.com/huli')
firstLink.append('http://www.health-sky.com/yufang')
firstLink.append('http://www.health-sky.com/yiyuan')
firstLink.append('http://www.health-sky.com/yaowu')

# #与之相匹配的正则表达式解析页面获取网页链接
# ListOfRe = []
# ListOfRe.append(' href = re.compile(r"http://www.health-sky.com/zhishi/.*?.html")')
# ListOfRe.append(' href = re.compile(r"http://www.health-sky.com/bingyin/.*?.html")')
# ListOfRe.append(' href = re.compile(r"http://www.health-sky.com/zhengzhuang/.*?.html")')
# ListOfRe.append(' href = re.compile(r"http://www.health-sky.com/zhiliao/.*?.html")')
# ListOfRe.append(' href = re.compile(r"http://www.health-sky.com/jiancha/.*?.html")')
# ListOfRe.append(' href = re.compile(r"http://www.health-sky.com/zhenduan/.*?.html")')
# ListOfRe.append(' href = re.compile(r"http://www.health-sky.com/bingfazheng/.*?.html")')
# ListOfRe.append(' href = re.compile(r"http://www.health-sky.com/huli/.*?.html")')
# ListOfRe.append(' href = re.compile(r"http://www.health-sky.com/yufang/.*?.html")')
# ListOfRe.append(' href = re.compile(r"http://www.health-sky.com/yiyuan/.*?.html")')
# ListOfRe.append(' href = re.compile(r"http://www.health-sky.com/yaowu/.*?.html")')

listOld = []  # 存放已经爬过的链接库
# 判断自建的目标网站链接库是否存在
if (os.path.exists('oldList.txt')):
    fp = open("oldList.txt", 'a')  # 追加新的链接
    print("打开已存在的oldList.txt")
else:
    fp = open("oldList.txt", 'w')
    print("创建新的oldList.txt")
# 根据原始链接库循环爬取
for temp in firstLink:
    print(temp)
    i = 1
    res = gethtml(temp)
    listOld.append(temp)
    while res:
        ParsingWebpage(res)  # 解析网页
        i += 1
        urlTemp = temp + '/page/%d' % i
        print(urlTemp)
        try:
            res = gethtml(urlTemp)
            listOld.append(urlTemp)
        except:
            print('爬取%s结束!共爬取网页%d页' % (urlTemp, i - 1))
            break
for temp in listOld:
    fp.write(temp + "\n")
fp.close()
print('离开main')

爬取根据dealLinkListResult链接库爬取最终结果

from bs4 import BeautifulSoup
import os

if name == 'main':
import ClimbHealthSkyCom

def ClimbFinalResult():
print('进入ClimbFinalResult')
#最终的链接库
linkList = []
linkList.append('Link/LinkOfCauseOfDiabetes.txt')
linkList.append('Link/LinkOfDiabetesCare.txt')
linkList.append('Link/LinkOfDiabetesCheck.txt')
linkList.append('Link/LinkOfDiabetesComplications.txt')
linkList.append('Link/LinkOfDiabetesDiagnosis.txt')
linkList.append('Link/LinkOfDiabetesHospital.txt')
linkList.append('Link/LinkOfDiabetesKnowledge.txt')
linkList.append('Link/LinkOfDiabetesMedication.txt')
linkList.append('Link/LinkOfDiabetesPrevention.txt')
linkList.append('Link/LinkOfDiabetesSymptoms.txt')
linkList.append('Link/LinkOfDiabetesTreatment.txt')
#最终的文档库
contentList = []
contentList.append('content/CententOfCauseOfDiabetes.txt')
contentList.append('content/CententOfDiabetesCare.txt')
contentList.append('content/CententOfDiabetesCheck.txt')
contentList.append('content/CententOfDiabetesComplications.txt')
contentList.append('content/CententOfDiabetesDiagnosis.txt')
contentList.append('content/CententOfDiabetesHospital.txt')
contentList.append('content/CententOfDiabetesKnowledge.txt')
contentList.append('content/CententOfDiabetesMedication.txt')
contentList.append('content/CententOfDiabetesPrevention.txt')
contentList.append('content/CententOfDiabetesSymptoms.txt')
contentList.append('content/CententOfDiabetesTreatment.txt')

# 打开链接库Link
contenNumber = 0
for temp in linkList:
    print(temp)
    print(contenNumber)
    try:
        fp = open(temp, 'r')
        print('打开%s成功'%temp)
    except:
        print('打开%s失败'%temp)

    # 保存网页数据
    if os.path.exists(contentList[contenNumber]):
        print(contentList[contenNumber])
        fpContent = open(contentList[contenNumber], 'a', encoding="utf8")  # 追加新的内容
        print("打开已存在的%s" % contentList[contenNumber])
    else:
        fpContent = open(contentList[contenNumber], 'w', encoding="utf8")
        print("创建新的%s" % contentList[contenNumber])

    #获取网页内容
    temp = fp.readline()
    while temp:
        print(temp)
        try:
            res = ClimbHealthSkyCom.gethtml(temp)
            #print(res)
            # 解析返回结果
            soup = BeautifulSoup(res,'lxml')
            # 获取网页内容
            for content in soup.find('h1'):
                fpContent.write(content.text)
            for content in soup.find_all('article'):
                fpContent.write(content.text)
        except:
            print('获取网页内容失败!')
        temp = fp.readline()
    fp.close()
    fpContent.close()
    contenNumber += 1  # 保持文档与链接的一致性

ClimbFinalResult()
注意最后的链接需要自己分类存放到相应的txt中,然后进行相应的网页最终内容提取

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,723评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,003评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,512评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,825评论 1 290
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,874评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,841评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,812评论 3 416
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,582评论 0 271
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,033评论 1 308
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,309评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,450评论 1 345
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,158评论 5 341
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,789评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,409评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,609评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,440评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,357评论 2 352

推荐阅读更多精彩内容

  • Python 面向对象Python从设计之初就已经是一门面向对象的语言,正因为如此,在Python中创建一个类和对...
    顺毛阅读 4,213评论 4 16
  • 你期待已久的Python网络数据爬虫教程来了。本文为你演示如何从网页里找到感兴趣的链接和说明文字,抓取并存储到Ex...
    为啥要创业阅读 1,254评论 1 4
  • 所以,不要为明天忧虑,因为明天自有明天的忧虑;一天的难处一天当就够了。” (马太福音 6:34 和合本) 求上帝来...
    miya牙签阅读 132评论 0 0
  • 来自《精进》笔记 一个好的学习者,首先就是向自己提问。 主动的构建知识就是需要充分的调用原有的既有知识,在主动性目...
    徐伟_1226阅读 236评论 0 0
  • 苹果先生是种植园里最优雅的绅士。 他的远见博识得到了所有水果的尊敬。 除了葡萄姑娘。 她是一串青涩的葡萄,总是冒冒...
    苏书默阅读 496评论 4 5