Python爬数据

我当时想弄微信群聊机器人（成语接龙），wxpy用不了（微信不让网页登录）。然后就没有然后了。

记录一下爬数据的代码。（写了好几个月了，现在po上来）

首先说一下，爬数据前看看网站下的robots.txt。

如果人家不允许任何爬虫爬取数据，那就不要去爬人家的数据，要不然真的缺德。（robots.txt只是口头协议，防君子，不防小人）

具体robots.txt规则，我就不贴出来了，百度一大堆。

我爬的这个网站，我看过了，没有robots.txt。(好几个月前看的，现在不知道有没有)

贴爬取页面长相如下：

图一：

图二：

 

 简单说一下就是从图一的a标签中读取详细地址，然后到图二拿取成语具体信息。我就直接po代码了，具体爬数据看页面结构。

from requests_html import HTMLSession
# pprint可以把数据打印得更整齐
from pprint import pprint
import json
import unicodedata

#主页面网址
main_url = 'https://chengyu.911cha.com/pinyin_a_p3.html'
session = HTMLSession()
#headers信息伪装
ua = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'
re = 'https://chengyu.911cha.com/pinyin_a.html'
#主页面html代码
result = session.get(main_url, headers={'user-agent': ua,'referer':re})

#获取主页面html内所有的a标签
a_s = result.html.xpath('/html/body/div[2]/div[1]/div[2]/div[4]/ul/li/a')
#打开txt文件（a:追加，w:替换，r:读取）
f1 = open('test.txt','a',encoding='utf8')
#循环
for a in a_s:
    #成语的详细地址
    href = a.attrs['href']
    #拼接成语的详细地址
    get_url = 'https://chengyu.911cha.com' + href[1:]
    session = HTMLSession()
    #详细成语页面
    get_result = session.get(get_url, headers={'user-agent': ua})
    #成语
    name = get_result.html.xpath('/html/body/div[2]/div[1]/div[2]/div[2]/h2/text()')[0]
    #有音调的拼音
    pinyin = get_result.html.xpath('/html/body/div[2]/div[1]/div[2]/div[2]/div/text()')[0]
    #无音调的拼音
    rpinyin = unicodedata.normalize('NFKD', pinyin).encode('ascii','ignore').decode()
    #词意
    mean = get_result.html.xpath('/html/body/div[2]/div[1]/div[2]/div[3]/p[1]/text()')[0]
    #保存至txt
    f1.write('\n{0}|{1}|{2}|{3}'.format(name, pinyin,rpinyin,mean))

print("结束啦")

结果：