河北阳光理政投诉板块-写在前面
之前几篇文章都是在写图片相关的爬虫,今天写个留言板爬出,为另一套数据分析案例的教程做做准备,作为一个河北人,遵纪守法,有事投诉是必备的技能,那么咱看看我们大河北人都因为什么投诉过呢?
今天要爬取的网站地址 http://yglz.tousu.hebnews.cn/l-1001-5-
,一遍爬取一遍嘀咕,别因为爬这个网站在去喝茶,再次声明,学习目的,切勿把人家网站爬瘫痪了。
河北阳光理政投诉板块-开始撸代码
今天再次尝试使用一个新的模块 lxml
,它可以配合xpath
快速解析HTML文档,官网网站 https://lxml.de/index.html
利用pip安装lxml,如果安装失败,可以在搜索引擎多搜搜,内容很多,100%有解决方案。
pip install lxml
废话不多说,直接通过requests
模块获取百度首页,然后用lxml
进行解析
import requests
from lxml import etree # 从lxml中导入etree
response = requests.get("http://www.baidu.com")
html = response.content.decode("utf-8")
tree=etree.HTML(html) # 解析html
print(tree)
当你打印的内容为下图所示,你就接近成功了!
下面就是 配合xpath
语法获取网页元素了,关于xpath
这个你也可以自行去学习,非常简单,搜索一下全都是资料,咱就不讲了。
通过xpath
我们进行下一步的操作,代码注释可以多看一下。
tree=etree.HTML(html) # 解析html
hrefs = tree.xpath('//a') #通过xpath获取所有的a元素
# 注意网页中有很多的a标签,所以获取到的是一个数组,那么我们需要用循环进行操作
for href in hrefs:
print(href)
打印结果如下
<Element a at 0x1cf64252408>
<Element a at 0x1cf642523c8>
<Element a at 0x1cf64252288>
<Element a at 0x1cf64252308>
<Element a at 0x1cf64285708>
<Element a at 0x1cf642aa108>
<Element a at 0x1cf642aa0c8>
<Element a at 0x1cf642aa148>
<Element a at 0x1cf642aa048>
<Element a at 0x1cf64285848>
<Element a at 0x1cf642aa188>
在使用xpath
配合lxml
中,记住只要输出上述内容,就代表获取到东西了,当然这个不一定是你需要的,不过代码至少是没有错误的。
继续编写代码
# 注意网页中有很多的a标签,所以获取到的是一个数组,那么我们需要用循环进行操作
for href in hrefs:
print(href)
print(href.get("href")) # 获取html元素属性
print(href.text) # 获取a标签内部文字
输出结果
<Element a at 0x1c7b76c2408>
http://news.baidu.com
新闻
<Element a at 0x1c7b76c23c8>
http://www.hao123.com
hao123
<Element a at 0x1c7b76c2288>
http://map.baidu.com
地图
<Element a at 0x1c7b76c2308>
http://v.baidu.com
视频
<Element a at 0x1c7b76f5708>
http://tieba.baidu.com
贴吧
现在你已经看到,我们已经获取到了百度首页的所有a标签,并且获取到了a标签的href属性和a标签的文字。有这些内容,你就能很容易的去获取我们的目标网站了。
河北阳光理政投诉板块-爬取投诉数据
找到我们的目标网页,结果发现,出事情了,页面竟然是用aspx动态生成的,技术你就不需要研究了,总之,碰到了一个比较小的问题。
首先,点击下一页的时候,页面是局部刷新的
刷新的同时,捕获了一下发送的请求,是post
方式,这个需要留意一下,最要紧的是下面第2张图片和第3张图片。
这张图片中的viewstate
这张图片也有一些奇怪的参数
这些参数都是典型的动态网页参数。
解决这个问题,还要从源头抓起!
打开我们要爬取的首页http://yglz.tousu.hebnews.cn/l-1001-5-
第1点需要确定,post的地址经过分析就是这个页面。
所以这段代码是必备的了,注意下面的post
response = requests.post("http://yglz.tousu.hebnews.cn/l-1001-5-")
html = response.content.decode("utf-8")
右键查看源码之后,发现源码中有一些比较重要的隐藏域
里面获取就是我们要的必备信息
没错,这些内容,我们想办法获取到就可以了
基本步骤
- 获取源码
- lxml通过xpath解析隐藏域,取值
import requests
from lxml import etree # 从lxml中导入etree
try:
response = requests.post("http://yglz.tousu.hebnews.cn/l-1001-5-")
html = response.content.decode("utf-8")
except Exception as e:
print(e)
tree=etree.HTML(html) # 解析html
hids = tree.xpath('//input[@type="hidden"]') # 获取隐藏域
# 声明一个字典,用来存储后面的数据
common_param = {}
# 循环取值
for ipt in hids:
common_param.update({ipt.get("name"):ipt.get("value")}) # 这个地方可以分开写,应该会很清楚,我就不写了,总之,就是把上面获取到的隐藏域的name属性和value属性都获取到了
上面的代码写完之后,其实已经完成了,非常核心的内容了,后面就是继续爬取了
我们按照post
要的参数补充完整其他的参数即可
import requests
from lxml import etree # 从lxml中导入etree
try:
response = requests.post("http://yglz.tousu.hebnews.cn/l-1001-5-")
html = response.content.decode("utf-8")
except Exception as e:
print(e)
tree=etree.HTML(html) # 解析html
hids = tree.xpath('//input[@type="hidden"]')
common_param = {}
for ipt in hids:
common_param.update({ipt.get("name"):ipt.get("value")})
##############################################################
for i in range(1,691):
common_param.update({"__CALLBACKPARAM":f"Load|*|{i}", # 注意这个地方,由于我直接看到了总共有690页数据,所以直接写死了循环次数
"__CALLBACKID": "__Page",
"__EVENTTARGET":"",
"__EVENTARGUMENT":""})
到这一步,就可以抓取真实的数据了,我在下面的代码中最关键的一些地方加上注释,希望你能看懂
for i in range(1,691):
common_param.update({"__CALLBACKPARAM":f"Load|*|{i}",
"__CALLBACKID": "__Page",
"__EVENTTARGET":"",
"__EVENTARGUMENT":""})
response = requests.post("http://yglz.tousu.hebnews.cn/l-1001-5-",data=common_param,headers=headers)
html = response.content.decode("utf-8")
print("*"*200)
tree = etree.HTML(html) # 解析html
divs = tree.xpath('//div[@class="listcon"]') # 解析列表区域div
for div in divs: # 循环这个区域
try:
# 注意下面是通过div去进行的xpath查找,同时加上try方式报错
shouli = div.xpath('span[1]/p/a/text()')[0] # 受理单位
type = div.xpath('span[2]/p/text()')[0].replace("\n","") # 投诉类型
content = div.xpath('span[3]/p/a/text()')[0] # 投诉内容
datetime = div.xpath('span[4]/p/text()')[0].replace("\n","") # 时间
status = div.xpath('span[6]/p/text()')[0].replace("\n","") # 时间
one_data = {"shouli":shouli,
"type":type,
"content":content,
"datetime":datetime,
"status":status,
}
print(one_data) # 打印数据,方便存储到mongodb里面
except Exception as e:
print("内部数据报错")
print(div)
continue
代码完成,非常爽
最后抓取到了 13765
条数据,官方在我抓取的时候是13790,差了25条数据,没有大的影响~
数据我都存储在了 mongodb里面,关于这个如何使用,请去看我以前的代码吧~~~~
这些数据,放着以后做数据分析用了。