成語查詢工具 - 數(shù)據(jù)獲取

標(biāo)簽：

Python 爬蟲

我们从这个网站上获取想要的内容，不用考虑太多的板块，直接按照字母检索即可

进去每个字母的页面中获取数据以及循环页数，值得注意的是页面中有相当多的重复项，记得进行去重操作

1. 页面获取

常规套路，因为这里需要用到xpath，所以直接返回html字符串，这里因为数据中有大量中文繁体字的原因，选择字符编码为gbk

def get_html(url):
    r = requests.get(url, headers=headers)
    r.encoding = 'gbk'
    return r.text

2. 当前页数据获取

页面中的成语以及释义都是保存在列表中的，直接对列表遍历获取即可(仅当前页)，值得注意的是需要对重复项清洗，这里使用匿名函数lambda z: dict([(x, y) for y, x in z.items()]),对字典的键值执行两次翻转

def get_curr(url):
    html = etree.HTML(get_html(url))
    lis = html.xpath('//li[@class="licontent"]')
    context = {}
    for li in lis:
        if li.xpath('./span[@class="hz"]/a/text()') and li.xpath('./span[@class="js"]/text()'):
            idiom = li.xpath('./span[@class="hz"]/a/text()')[0]
            interpretation = li.xpath('./span[@class="js"]/text()')[0]
            context[idiom] = interpretation
    func = lambda z: dict([(x, y) for y, x in z.items()])
    idiom_dict = func(func(context))
    return idiom_dict

3. 页数循环

页面底部有页数的标签，包括总页数、当前页、末页、下一页等，但是如果总页面仅1页的就没有任何显示，到达项目尾页时就没有任何页数标签显示了(怪不怪?),我们这里就获取到总页数和当前的字母索引即可，这里的write_data和print是为了查看一下每个字母索引的数据情况，因为最后的执行会将数据写入一个单独的文件，如果你想要看到每个字母的成语，就可以取消这里的注释查看

def run(url, context):
    html = etree.HTML(get_html(url))
    if html.xpath('//a[contains(text(), "末页")]/@href'):
        text = html.xpath('//a[contains(text(), "末页")]/@href')[0]
        letter = re.search('\w', text).group(0) or url.split('/')[-1][0]
        total = re.search('\d+', text).group(0) or 1
    else:
        letter = url.split('/')[-1][0]
        total = 1
    for num in range(1, int(total) + 1):
        page_context = get_curr('http://chengyu.kxue.com/pinyin/' + letter + '_' + str(num) + '.html')
        context.update(page_context)
        print("完成{}的添加,共{}".format(letter + '_' + str(num), total))
    #write_data('grandSon/' + url.split('/')[-1][0] + '.json', context)
    #print("完成{}的写入".format(url.split('/')[-1][0]))
    return context

4. 数据写入

直接转成json写入文件，可以调整一下格式

def write_data(file, context):
    with open(file, 'w', encoding='utf-8') as f:
        f.write(json.dumps(context, indent=2, ensure_ascii=False))

5. 遍历所有字母

去网页主页遍历所有字母的链接，然后对每个链接调用以上方法即可

url = "http://chengyu.kxue.com/"
    html = etree.HTML(get_html(url))
    file = 'idiom.json'
    context = {}
    urls = html.xpath('//div[@class="content letter"]/li/a/@href')
    for url in urls:
        context.update(run("http://chengyu.kxue.com" + url, {}))
    write_data(file, context)