V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
334862132
V2EX  ›  Python

requests_html 包爬虫求助

  •  
  •   334862132 · 2019-09-29 10:25:22 +08:00 · 2759 次点击
    这是一个创建于 1919 天前的主题,其中的信息可能已经有所发展或是发生改变。
    今天学习 requests_html 包 网上找俩个爬虫 分别爬慕课网和 51cto 的爬虫 结果发现 传入的时候一个可以直接传 res.html,另一个必须要用 PyQuery 转换一下 res.text 才能传入 这个是为什么啊 上代码。。。。
    抓取 51 的
    from requests_html import AsyncHTMLSession # 导入异步模块

    asession = AsyncHTMLSession()

    BASE_URL = "http://edu.51cto.com/courselist/index-p{}.html"

    async def get_html():
    for i in range(1,2):
    r = await asession.get(BASE_URL.format(i)) # 异步等待
    get_item(r.html)

    def get_item(html):
    c_list = html.find('.cList',first=True)
    if c_list:
    items = c_list.find('.cList_Item')
    for item in items:
    title = item.find("h3",first=True).text # 课程名称
    href = item.find('h3>a',first=True).attrs["href"] # 课程的链接地址
    dict = {
    "title":title,
    "href":href,
    }
    print(dict)


    if __name__ == '__main__':
    result = asession.run(get_html)

    抓取慕课的

    from requests_html import AsyncHTMLSession
    from pyquery import PyQuery as pq

    s = AsyncHTMLSession()
    url = "https://www.imooc.com/course/list?page={i}"

    async def get_html():
    for i in range(1,2):
    res = await s.get(url.format(i=i))
    d = pq(res.text)
    get_content(d)

    def get_content(d):
    courses = d.items(".course-card-container")
    for course in courses:
    title = course.find(".course-card-name").text() # 查找 title
    des = course.find(".course-card-desc").text()

    dict = {
    "title":title,
    "des":des
    }
    print(dict)

    if __name__ == '__main__':
    ret = s.run(get_html)
    fifa666
        1
    fifa666  
       2019-09-29 11:05:10 +08:00
    你打印输出,看一下呗
    334862132
        2
    334862132  
    OP
       2019-09-29 11:11:16 +08:00
    @fifa666 主要打印输出没看出来有什么区别 刚在别人指点下又用 requests 包试了一下 俩个地址返回的都是 html 不是 json 我一下就懵逼了。。。
    silencefent
        3
    silencefent  
       2019-09-29 11:15:21 +08:00
    不要用 requests_html,就用 requests
    334862132
        4
    334862132  
    OP
       2019-09-29 11:53:33 +08:00
    @silencefent requests_html 封装 requests 自带异步多线程 用 requests 还要封装多线程 还要搞 i/o 异步,多麻烦,本来这个我也搞出来了,就是想不明白为什么传的东西不一样...
    334862132
        5
    334862132  
    OP
       2019-09-29 11:55:17 +08:00
    51 的 html 打印出来是这个 <HTML url='https://edu.51cto.com/courselist/index-p1.html'>
    慕课的 html 打印出来是 <HTML url='https://www.imooc.com/course/list?page=1'>
    sherlockwhite
        6
    sherlockwhite  
       2019-09-29 13:38:19 +08:00
    “多麻烦”?
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   1564 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 26ms · UTC 16:46 · PVG 00:46 · LAX 08:46 · JFK 11:46
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.