这次实战的目标是一个叫做猫肯的字体站点,该站点所有的字体都是免费可商用的,所以为什么还要去下载呢?
答案是练手,借免费站点学习爬虫,🌋
目标站点地址:https://www.maoken.com/all-fonts
目标页截图如下所示:
使用的模块是 requests
+ lxml
,用最少的代码,学习最纯粹的爬虫。
基于捕获到的页面源码,直接提取内容。
import requests
from lxml import etree
def get_html():
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36"
}
res = requests.get('https://www.maoken.com/all-fonts', headers=headers)
ele = etree.HTML(res.text)
div_list = ele.xpath("//div[@class='basetabcon']")
for div in div_list:
tr_list = div.xpath(".//tr")
for tr in tr_list:
print(tr.xpath("./td/text()"))
if __name__ == '__main__':
get_html()
本部分代码中,可以看到优先提取了 class='basetabcon'
的 div
,然后遍历其所有节点,提取 tr
元素,并且打印了其子节点 td
中的文本内容,输出如下:
['字体系列', '字体名称', 'PS中名称', '开发者', '发布时间', '最新版本', '分类', '字重数', '简体字数', '繁体字数', '授权方式', '下载']
[]
['字体圈系列', '字体圈伟君黑', '字体圈Design', '2022年10月', 'v1.00 ', '黑体', '1', '★★★★★', '★']
['字体圈欣意吉祥宋', '字体圈Design', '2021年01月', 'v1.00 ', '宋体', '1', '★★★★★', '★']
['字体圈欣意冠黑体', '字体圈Design', '2020年04月', 'v4.000 ', '创意体', '1', '★★★★★', '★★★★★']
此时发现出现了数据问题,第一行和第二行属于冗余数据,需要清理。
def get_html():
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36"
}
res = requests.get('https://www.maoken.com/all-fonts', headers=headers)
ele = etree.HTML(res.text)
div_list = ele.xpath("//div[@class='basetabcon']")
for div in div_list:
tr_list = div.xpath(".//tr")
# 去除第一行冗余 tr
for tr in tr_list[1:]:
# 去除空数据
if len(tr.xpath("./td/text()")) == 0:
continue
print(tr.xpath("./td/text()"))
按照上述内容对数据进行处理之后,得到下述信息:
['字体圈系列', '字体圈伟君黑', '字体圈Design', '2022年10月', 'v1.00 ', '黑体', '1', '★★★★★', '★']
['字体圈欣意吉祥宋', '字体圈Design', '2021年01月', 'v1.00 ', '宋体', '1', '★★★★★', '★']
['字体圈欣意冠黑体', '字体圈Design', '2020年04月', 'v4.000 ', '创意体', '1', '★★★★★', '★★★★★']
下面要处理的是合并单元格问题,在正式编码前优先核对一下界面显示规则。
其中字体圈系列 显示被合并了,从内容输出看,单元格字体圈系列所在的行多一个单元格,即列表多一个元素,如下所示。
接下来我们对数据进行再次整理,当单元格数量等于 13 的时候,新增一个字典 KEY,后续的字体都追加到该字典项中。
def get_html():
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) ……"
}
res = requests.get('https://www.maoken.com/all-fonts', headers=headers)
ele = etree.HTML(res.text)
div_list = ele.xpath("//div[@class='basetabcon']")
for div in div_list:
tr_list = div.xpath(".//tr")
# 去除第一行冗余 tr
result = {}
for tr in tr_list[1:8]:
td_content = tr.xpath("./td//text()")
# 去除空数据
if len(td_content) < 4:
continue
# 合并单元格
if len(td_content)==13:
head = td_content[0]
td_list = td_content[1:]
result[head] = [] # 建立一个空字典
result[head].append(td_list[:-2]) # 字典的值增加项
else:
result[head].append(td_content)
print(result)
此时运行代码就可以获取到完整的表格数据了,效果如下所示,与网页对比之后,无数据丢失问题。
该案例实战中最需要学习的部分是单元格的解析,其中用到了差异对比,在实践中最大的风险是需要保证数据是完整的,即数据量中无缺项,否则无法进行硬编码解析数据。
本次实战通过 div 进行了首次提取,最终输出的数据是基于单元格位置进行拆分的,学习的时候重点掌握该解题方法。
📢📢📢📢📢📢
💗 你正在阅读 【梦想橡皮擦】 的博客
👍 阅读完毕,可以点点小手赞一下
🌻 发现错误,直接评论区中指正吧
📆 橡皮擦的第 737 篇原创博客
从订购之日起,案例 5 年内保证更新