盤點(diǎn)一個(gè)網(wǎng)絡(luò)爬蟲中常見的一個(gè)錯(cuò)誤
大家好，我是皮皮。
一、前言
前幾天在Python白銀交流群有個(gè)叫【雨就是雨】的粉絲問了一個(gè)Python網(wǎng)絡(luò)爬蟲的問題，這里拿出來給大家分享下，一起學(xué)習(xí)下。
問題如下：
二、解決過程
這里很容易的一個(gè)懷疑點(diǎn)是原網(wǎng)頁上的網(wǎng)頁結(jié)構(gòu)變化了，使用xpath選擇器進(jìn)行提取的話，會(huì)出現(xiàn)不匹配的情況，列表索引不在范圍內(nèi)，引起報(bào)錯(cuò)。
【Python進(jìn)階者】給出了一個(gè)思路，確實(shí)可以使用try異常處理來避開，不過始終拿不到數(shù)據(jù)，確實(shí)有點(diǎn)讓人頭大。
后來下午的時(shí)候【Python進(jìn)階者】跑他代碼的時(shí)候發(fā)現(xiàn)了原因，如下圖所示。
他的url這里，構(gòu)造有問題，多了一個(gè)/，導(dǎo)致網(wǎng)頁訪問出錯(cuò)。
修改下，就可以跑了，另外，網(wǎng)頁詳情頁里邊也有多次請(qǐng)求，記得稍微sleep下，就可以了。下面是詳細(xì)代碼，感興趣的小伙伴們，可以拿去跑下。
import requests
from lxml import etree
from fake_useragent import UserAgent
import time
class kitchen(object):
u = 0
def __init__(self):
self.url = "https://www.xiachufang.com/category/40076/"
ua = UserAgent(verify_ssl=False)
for i in range(1, 50):
self.headers = {
'User-Agent': ua.random,
}
'''發(fā)送請(qǐng)求 獲取響應(yīng)'''
def get_page(self, url):
res = requests.get(url=url, headers=self.headers)
html = res.content.decode("utf-8")
time.sleep(2)
return html
def parse_page(self, html):
parse_html = etree.HTML(html)
image_src_list = parse_html.xpath('//li/div/a/@href')
for i in image_src_list:
try:
url = "https://www.xiachufang.com" + i
# print(url)
html1 = self.get_page(url) # 第二個(gè)發(fā)生請(qǐng)求
parse_html1 = etree.HTML(html1)
# print(parse_html1)
num = parse_html1.xpath('.//h2[@id="steps"]/text()')[0].strip()
name = parse_html1.xpath('.//li[@class="container"]/p/text()')
ingredients = parse_html1.xpath('.//td//a/text()')
self.u += 1
# print(self.u)
# print(str(self.u)+"."+house_dict["名 稱 :"]+":")
# da=tuple(house_dict["材 料:"])
food_info = '''
第 %s 種
菜 名 : %s
原 料 : %s
下 載 鏈 接 : %s,
=================================================================
''' % (str(self.u), num, ingredients, url)
# print(food_info)
f = open('下廚房菜譜.txt', 'a', encoding='utf-8')
f.write(str(food_info))
print(str(food_info))
f.close()
except:
print('xpath沒獲取到內(nèi)容！')
def main(self):
startPage = int(input("起始頁:"))
endPage = int(input("終止頁:"))
for page in range(startPage, endPage + 1):
url = self.url.format(page)
html = self.get_page(url)
self.parse_page(html)
time.sleep(2.4)
print("====================================第 %s 頁 爬 取 成 功====================================" % page)
if __name__ == '__main__':
imageSpider = kitchen()
imageSpider.main()
跑出來的結(jié)果會(huì)保存到一個(gè)txt文件里邊，如下圖所示：
碰到這種url拼接問題，推薦使用urljoin的方式，示例代碼如下：
from urllib.parse import urljoin
source_url = 'https://www.baidu.com/'
child_url1 = '/robots.txt'
child_url2 = 'robots.txt'
final_url1 = urljoin(source_url, child_url1)
final_url2 = urljoin(source_url, child_url2)
print(final_url1)
print(final_url2)
運(yùn)行結(jié)果如下圖所示：
urljoin的作用就是連接兩個(gè)參數(shù)的url，將第二個(gè)參數(shù)中缺的部分用第一個(gè)參數(shù)的補(bǔ)齊，如果第二個(gè)有完整的路徑，則以第二個(gè)為主。
三、總結(jié)
大家好，我是皮皮。這篇文章主要盤點(diǎn)一個(gè)網(wǎng)絡(luò)爬蟲中常見的一個(gè)錯(cuò)誤問題，文中針對(duì)該問題給出了具體的解析和代碼演示，幫助粉絲順利解決了問題。最后給大家安利了一個(gè)url拼接的方法，在網(wǎng)絡(luò)爬蟲中還是非常常用的。
最后感謝粉絲【雨就是雨】提問，感謝【Python進(jìn)階者】給出的具體解析和代碼演示，感謝粉絲【?】、【艾?！びX羅】、【月神】、【dcpeng】、【瑜亮老師】等人參與學(xué)習(xí)交流。
小伙伴們，快快用實(shí)踐一下吧！如果在學(xué)習(xí)過程中，有遇到任何問題，歡迎加我好友，我拉你進(jìn)Python學(xué)習(xí)交流群共同探討學(xué)習(xí)。
