python

python爬虫问题，如何爬取多个页面？

发布时间：2024-09-18 01:00

访问量：0

来源：破盾编程

一、python爬虫问题，如何爬取多个页面？

这里我想到了两种：

1. 要爬取的链接是有规律的，比如像页码，是按顺序增长的，可以通过for循环，加1的方式循环读取页面

2. 链接无规律，可以通过抓取初始页面的一个链接，然后分析该页面中所有满足条件的url地址，将该地址保存在链表中，另个程序从这个链表中不断的读取数据，分析页面，抓取新页面中的链接，将其存在链表中，这样就不断的产生新的链接，不断的可以抓取了

job_desc_url = "https://www.zhipin.com" + str(tag.div.h3.a.get("href"))

二、大神:python怎么爬取js的页面？

js代码是需要js引擎运行的，Python只能通过HTTP请求获取到HTML、CSS、JS原始代码而已。不知道有没有用Python编写的JS引擎

三、python爬虫怎么写循环爬取多个页面？

动态加载的数据都是用户通过鼠标或键盘执行了一定的动作之后加载出来的。

所以我们通过selenium提供的webdriver工具调用本地的浏览器，让程序替代人的行为，滚动页面，点击按钮，提交表单等等。从而获取到想要的数据。所以我认为，使用selenium方法爬取动态页面的中心思想是模拟人的行为。

四、Python可以爬取网易云VIP音乐吗？

最近一个朋友和我聊天的时候说想听一首歌，可是要会员，问我要怎么才能下载下来。。因为前几天群里一个朋友刚发了一个python爬取图片的爬虫，于是我打开了他写的代码，仔细研究了一下后，我根据他写的代码，进行了一系列的改造，最终完成了这个python爬取音乐的爬虫~~

python爬虫下载会员音乐

安装python环境

第一步肯定是安装一个python环境啦。。因为网上教程很多，就不多说了，可以自行搜索安装方法的。

其次就是安装IDE啦。推荐：pycharm，如果你想用txt文本写也可以。

开始写代码啦

引入需要的包

import requests
from lxml import etree

进入正题了

定义两个变量用来保存url

#网易云音乐的网址
url = "https://music.163.com/discover/toplist?id=3778678"
#下载歌曲的网址，可以用第三方工具获取
url_base = "http://music.163.com/song/media/outer/url?id="

利用requests库向网站发起请求

response = requests.get(url=url)
#将获取到的HTML代码进行数据解析
html = etree.HTML(response.text)
#获取id列表
id_list = html.xpath("//a[contains(@href,'song?')]")

接下来就要遍历获取到的url列表，下载服务器上的歌曲了

for data in id_list:
    #获取歌曲的链接
    href = data.xpath("./@href")[0]
    #把链接进行分隔
    music_id = href.split("=")[1]
    #获取歌曲名称
    music_name = data.xpath("./text()")[0]
    #拼接下载地址
    music_url = url_base + music_id
    #请求歌曲下载地址
    music = requests.get(url=music_url)
    with open("./music/%s.mp3" % music_name, "wb") as file:
        file.write(music.content)
        print("<%s>下载成功。。。" % music_name)

那就开始正式下载网易云音乐吧~~~

下面就把完整代码贴出来吧~

import requests
from lxml import etree

#网易云音乐的网址
url = "https://music.163.com/discover/toplist?id=3778678"
#下载歌曲的网址，可以用第三方工具获取
url_base = "http://music.163.com/song/media/outer/url?id="
#向网址发起请求
response = requests.get(url=url)
#将获取到的HTML代码进行数据解析
html = etree.HTML(response.text)
#获取id列表
id_list = html.xpath("//a[contains(@href,'song?')]")

for data in id_list:
    href = data.xpath("./@href")[0]
    music_id = href.split("=")[1]
    music_name = data.xpath("./text()")[0]
    #拼接下载地址
    music_url = url_base + music_id

    music = requests.get(url=music_url)
    with open("./music/%s.mp3" % music_name, "wb") as file:
        file.write(music.content)
        print("<%s>下载成功。。。" % music_name)
    #学习加喂：lbt13732741834

此代码仅供学习使用，请勿用于商业用途

学习加喂：lbt13732741834

我很刑 | 用python爬了一万首会员歌曲

五、python爬取图片的好处？

可以批量获取所需的图片，减少不必要的人工费时操作

六、python 爬取新笔趣阁小说有哪些推荐？

嗨嗨，我是小圆。

相信大家都会看小说，但是有些小说看几章就要付费，奈何自己又没有会员，只能用用python爬取一下了。

基本开发环境

Python 3.6Pycharm

单章爬取

一、明确需求爬取小说内容保存到本地

小说名字
小说章节名字
小说内容

# 第一章小说url地址
url = 'http://www.biquges.com/52_52642/25585323.html'

url = 'http://www.biquges.com/52_52642/25585323.html'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
print(response.text)

请求网页返回的数据中出现了乱码，这就需要我们转码了。

加一行代码自动转码。

response.encoding = response.apparent_encoding

解析数据

根据css选择器可以直接提取小说标题以及小说内容。

def get_one_novel(html_url):
    # 调用请求网页数据函数
    response = get_response(html_url)
    # 转行成selector解析对象
    selector = parsel.Selector(response.text)
    # 获取小说标题
    title = selector.css('.bookname h1::text').get()
    # 获取小说内容 返回的是list
    content_list = selector.css('#content::text').getall()
    # ''.join(列表) 把列表转换成字符串
    content_str = ''.join(content_list)
    print(title, content_str)
 
 
if __name__ == '__main__':
    url = 'http://www.biquges.com/52_52642/25585323.html'
    get_one_novel(url)

![请添加图片描述](https://img-blog.csdnimg.cn/38f35529abf84807adc84871aeeceabd.png)

保存数据（数据持久化）

使用常用的保存方式： with open

def save(title, content):
    """
    保存小说
    :param title: 小说章节标题
    :param content: 小说内容
    :return: 
    """
    # 路径
    filename = f'{title}\\'
    # os 内置模块，自动创建文件夹
    if os.makedirs(filename):
        os.mkdir()
    # 一定要记得加后缀 .txt  mode 保存方式 a 是追加保存  encoding 保存编码
    with open(filename + title + '.txt', mode='a', encoding='utf-8') as f:
        # 写入标题
        f.write(title)
        # 换行
        f.write('\n')
        # 写入小说内容
        f.write(content)

保存一章小说，就这样写完了，如果想要保存整本小说呢？

整本小说爬虫

既然爬取单章小说知道怎么爬取了，那么只需要获取小说所有单章小说的url地址，就可以爬取全部小说内容了。

所有的单章的url地址都在 dd 标签当中，但是这个url地址是不完整的，所以爬取下来的时候，要拼接url地址。

def get_all_url(html_url):
    # 调用请求网页数据函数
    response = get_response(html_url)
    # 转行成selector解析对象
    selector = parsel.Selector(response.text)
    # 所有的url地址都在 a 标签里面的 href 属性中 
    dds = selector.css('#list dd a::attr(href)').getall()
    for dd in dds:
        novel_url = 'http://www.biquges.com' + dd
        print(novel_url)
 
 
if __name__ == '__main__':
    url = 'http://www.biquges.com/52_52642/index.html'
    get_all_url(url)

这样就获取了所有的小说章节url地址了。

爬取全本完整代码

import requests
import parsel
from tqdm import tqdm
 
 
def get_response(html_url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
    }
    response = requests.get(url=html_url, headers=headers)
    response.encoding = response.apparent_encoding
    return response
 
 
def save(novel_name, title, content):
    """
    保存小说
    :param title: 小说章节标题
    :param content: 小说内容
    :return:
    """
    filename = f'{novel_name}' + '.txt'
    # 一定要记得加后缀 .txt  mode 保存方式 a 是追加保存  encoding 保存编码
    with open(filename, mode='a', encoding='utf-8') as f:
        # 写入标题
        f.write(title)
        # 换行
        f.write('\n')
        # 写入小说内容
        f.write(content)
 
 
def get_one_novel(name, novel_url):
    # 调用请求网页数据函数
    response = get_response(novel_url)
    # 转行成selector解析对象
    selector = parsel.Selector(response.text)
    # 获取小说标题
    title = selector.css('.bookname h1::text').get()
    # 获取小说内容 返回的是list
    content_list = selector.css('#content::text').getall()
    # ''.join(列表) 把列表转换成字符串
    content_str = ''.join(content_list)
    save(name, title, content_str)
 
 
def get_all_url(html_url):
    # 调用请求网页数据函数
    response = get_response(html_url)
    # 转行成selector解析对象
    selector = parsel.Selector(response.text)
    # 所有的url地址都在 a 标签里面的 href 属性中
    dds = selector.css('#list dd a::attr(href)').getall()
    # 小说名字
    novel_name = selector.css('#info h1::text').get()
    for dd in tqdm(dds):
        novel_url = 'http://www.biquges.com' + dd
        get_one_novel(novel_name, novel_url)
 
 
if __name__ == '__main__':
    novel_id = input('输入书名ID：')
    url = f'http://www.biquges.com/{novel_id}/index.html'
    get_all_url(url)

好了，分享到这里就结束了，感兴趣的朋友赶紧去试试吧！

喜欢的话记得给我一个关注和点赞哦

七、python怎么爬取rar文件？

由于rar通常为window下使用，须要额外的Python包rarfile。

八、python爬虫如何翻页爬取？

一般而言，Python爬虫翻页爬取的过程分为以下步骤：

分析网页：分析要爬取的网站的URL规律，了解其翻页方式，找出每一页的URL。

获取HTML：使用Python中的网络库（如requests）获取每一页的HTML源码。

解析HTML：使用HTML解析库（如BeautifulSoup）解析每一页的HTML源码，提取所需数据。

存储数据：将提取到的数据存储到本地文件或数据库中。

翻页：按照网站的翻页规则，构造下一页的URL，返回第1步重复以上步骤，直至翻完所有页。

具体实现方法可以根据不同网站的翻页规律进行相应的调整。

九、如何用python爬取数据？

使用Python爬取数据需要掌握以下几个步骤：

1. 确定目标网站：确定要爬取的数据来源，可以通过搜索引擎、网络信息抓取工具等途径找到目标网站。

2. 获取网页内容：使用Python中的requests库发送HTTP请求，获取目标网站的网页内容。

3. 解析网页内容：使用Python中的BeautifulSoup库解析网页内容，提取需要的数据。

4. 保存数据：将提取到的数据保存到本地文件中，可以使用Python中的csv、excel等库将数据保存为文件格式。

下面是一个简单的示例代码，演示如何使用Python爬取一个网站的数据：

```python

import requests

from bs4 import BeautifulSoup

# 发送HTTP请求获取网页内容

url = 'http://example.com'

response = requests.get(url)

# 使用BeautifulSoup解析网页内容

soup = BeautifulSoup(response.text, 'html.parser')

# 提取需要的数据并保存到本地文件中

with open('data.csv', 'w', encoding='utf-8') as f:

f.write(soup.prettify())

```

上述代码中，首先使用requests库发送HTTP请求获取网页内容，然后使用BeautifulSoup库解析网页内容，提取需要的数据并保存到本地文件中。具体来说，代码中使用了BeautifulSoup的prettify()方法将网页内容打印到本地文件中。需要注意的是，上述代码中使用了utf-8编码保存文件，确保能够正确保存网页内容。

需要注意的是，爬取数据时需要遵守网站的使用规则和法律法规，避免侵犯他人的合法权益和版权问题。同时，对于一些敏感或禁止爬取的数据，需要谨慎处理，避免触犯相关法律法规。

十、java爬取动态页面源代码

Java爬取动态页面源代码是一项涉及技术的复杂任务，需要深入了解网页结构和交互机制。动态页面与静态页面不同，其内容是通过JavaScript等技术动态加载并呈现给用户的。在爬取动态页面源代码时，我们必须处理页面加载、渲染和异步请求等复杂情况。

了解动态页面爬取技术

动态页面通常是通过Ajax请求从服务器获取数据，然后通过JavaScript将数据动态展示在页面上。传统的爬虫工具无法直接获取这类页面的源代码，因为它们只能获取静态页面的内容。要实现Java爬取动态页面源代码，我们需要使用一些特定的技术和工具。

使用Selenium进行动态页面爬取

Selenium是一个自动化测试工具，也可以用于模拟浏览器行为。通过Selenium，我们可以启动一个浏览器实例，加载动态页面，并获取页面源代码。在Java中，可以通过WebDriver接口来控制浏览器的行为，实现爬取动态页面源代码的功能。

解决动态数据加载问题

当网页使用JavaScript来动态加载数据时，我们需要等待数据完全加载完成后再获取页面源代码。这就涉及到页面加载时间的控制和数据加载状态的监测。可以通过等待元素出现、JavaScript执行完成等方式来确保获取到完整的页面内容。

破解反爬措施

有些网站为了防止爬虫抓取数据，会设置各种反爬措施，如验证码、JS加密等。在爬取动态页面源代码时，我们需要分析网页上的反爬机制，寻找突破口。有时候可能需要模拟用户操作、解析验证码等手段来规避反爬措施。

代码示例


        WebDriver driver = new ChromeDriver();
        driver.get("e.com");
        Thread.sleep(2000); // 等待页面加载
        String pageSource = driver.getPageSource();
        driver.quit();

总结

Java爬取动态页面源代码是一个技术挑战，需要熟悉浏览器自动化工具和页面加载机制。通过理解动态页面的加载原理、数据加载方式和反爬措施，我们可以编写出稳定高效的爬虫程序。在实践中不断尝试、调试，才能不断提升爬取效率和成功率。

上一篇：python怎么配环境？

下一篇：arrow金融科技

热点信息

1
python中怎么查看函数的用法？

在Python中，要查看函数的用法，可以使用以下方法： 1. 使用内置函数help()：在Python交互式环境中，可以直接输入help(函数名)来获取函数的帮助文档。例如，...
2
java 连接数据库

一、java 连接数据库在当今信息时代，Java 是一种广泛应用的编程语言，尤其在与数据库进行交互的过程中发挥着重要作用。无论是在企业级应用开发还是...
3
idea连接mysql数据库

一、idea连接mysql数据库 php connect_error) { die("连接失败: " . $conn->connect_error);}echo "成功连接到MySQL数据库！";// 关闭连接$conn->close();?> 二、idea连接mysql数据库连...
4
python如何安装modbus-tk？

要在Python中安装modbus-tk库，您可以按照以下步骤进行操作： 1. 确保您已经安装了Python解释器。您可以从Python官方网站(https://www.python.org)下载和安装最新版本...