作为一枚爬虫工程师，每天的工作差不多都是在和爬虫相爱相杀，在工作中，代理IP也是我们必不可少的一项需求，对于代理IP而言，高并发、多终端的支持、以及可用IP数量这些是我们来衡量一个IP代理商的必要条件。
小编最近找到一个IP代理平台，在推出活动，~~限时免费领取1万代理ip~~ ，大家有需要的话可以长按识别下方二维码，注册体验下。
话不多说，步入今天文章的分享内容，今天给大家带来的是~~爬取某林杂志。
可能很多人对这个某林杂志比较陌生，但是对于小编来说，那可是满满的回忆。记得我们上中学那时候读过的某林，那可是一本接着一本，其中有很多令人感动的故事，一直被温暖，被治愈。
接下来让我们来看看如何使用爬虫，爬取所有的杂志内容，目标网站
代码语言：javascript复制
https://www.yilinzazhi.com/爬虫代码：
代码语言：javascript复制
# coding:utf-8
# __auth__ = "maiz"
import requests
from lxml import etree
class Zazhi:
def __init__(self):
self.url = 'https://www.yilinzazhi.com/'
self.item = {}
self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36"}
def parse_url(self,url):
response = requests.get(url=url,headers=self.headers)
return response.content.decode('utf-8',errors='ignore')
def handle_html_str(self,html_str):
html = etree.HTML(html_str)
return html
def get_list_url(self,html_str):
"""
:param html_str: 前端页面的html字符
:return: list_url: 20xx 年 x 期的列表url
"""
list_url = []
html = self.handle_html_str(html_str)
div_list = html.xpath("//td[@class='time']")
for div in div_list:
list_url.append(r"https://www.yilinzazhi.com/" div.xpath("./a/@href")[0])
return list_url
def get_title_list_url(self,list_url):
"""
:param list_url: 20xx 年 x 期的列表url
:return: content_url_list 内容页url列表
"""
content_url_list = []
for url in list_url[:60]:
print(url)
base_url = url.replace("index.html","")
html_str = self.parse_url(url)
html = self.handle_html_str(html_str)
div_list = html.xpath("//span[@class='maglisttitle']")
for div in div_list:
content_url_list.append(base_url div.xpath("./a/@href")[0])
return content_url_list
def end(self,content_url_list):
"""
:param content_url_list: 内容页url列表
:return:
"""
for content_url in content_url_list:
print(content_url)
self.item['content_url'] = content_url
str = self.parse_url(content_url)
html = self.handle_html_str(str)
self.item['title'] = html.xpath("//div[@class='blkContainerSblk collectionContainer']/h1/text()")[0]
content_list = html.xpath("//div[@class='blkContainerSblkCon']//p//text()")
content = "".join(content_list)
content_ = content.replace("u3000u3000","")
self.item['content'] = content_
with open('意林合集.txt', 'a', encoding='utf-8') as fw:
fw.writelines("{}n{}nnn".format(self.item['title'], self.item['content']))
print("{}保存成功".format(self.item['title']))
def run(self):
str = self.parse_url(self.url)
list_url = self.get_list_url(str)
content_url_list = self.get_title_list_url(list_url)
self.end(content_url_list)
if __name__ == '__main__':
zazhi = Zazhi()
zazhi.run()右击运行代码，即可成功爬取所有期的某林杂志，爬取的内容会在本地生成了一个txt文件。代码获取后台回复：”某林杂志“。
以上就是今天给大家分享的内容，更多精品教程请关注公众号SpiderBy
