python爬虫入门 实战（一）---爬糗事百科

http://www.jianshu.com/p/3a5b22d3e673

发送请求获取html源码

# -*- coding:utf-8 -*-
import urllib
import urllib2

page=1
url='http://www.qiushibaike.com/hot/page/'+str(page)

user_agent='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36'
headers={'User-Agent':user_agent}

request=urllib2.Request(url,headers=headers)
response=urllib2.urlopen(request)
str_html= response.read()
response.close()

print str_html

用xpath解析并找到目标结点

我们先尝试从简单的开始，把当前页面的所有段子的作者名字爬下来输出。首先先审查元素，看看页面的结构。

从上图可以看到，所有的段子以瀑布流的形式放在一个id="content-left"的div里面，段子有共同的特点class="article block untagged mb15"
那我们先获取所有段子的整个div结点

tree=html.fromstring(str_html)
nodes=tree.xpath('//div[@id="content-left"]/div[@class="article block untagged mb15"]')

xpath的语法可以参考w3shcool里的XPath 教程，或者其他资料。
然后我们继续看段子的内容结构，如下图：

我们可以发现每个段子的第一个子div就是包含作者（用户）名字和头像信息的div，有共同的特点class="author clearfix"，然后具体的名字信息在该div下的子元素第二个a标签里的h2标签里。
了解了结构我们可以进行提取名字了。

tree=html.fromstring(str_html)
nodes=tree.xpath('//div[@id="content-left"]/div[@class="article block untagged mb15"]')
for node in nodes:
    res_author=node.xpath('div[@class="author clearfix"]/a[2]/h2')[0]
    print res_author.text

修改后

# -*- coding:utf-8 -*-
from lxml import html
import urllib
import urllib2

page=1
url='http://www.qiushibaike.com/hot/page/'+str(page)

user_agent='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36'
headers={'User-Agent':user_agent}

request=urllib2.Request(url,headers=headers)
response=urllib2.urlopen(request)
str_html= response.read()
response.close()

tree=html.fromstring(str_html)
res_author=tree.xpath('//div[@class="author clearfix"]/a[2]/h2')
for author in res_author:
    print author.text

爬取所有段子的主要信息（作者，内容，点赞和评论数）

# -*- coding:utf-8 -*-
from lxml import html
import urllib
import urllib2

page=1
url='http://www.qiushibaike.com/hot/page/'+str(page)

user_agent='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36'
headers={'User-Agent':user_agent}

request=urllib2.Request(url,headers=headers)
response=urllib2.urlopen(request)
str_html= response.read()
response.close()

tree=html.fromstring(str_html)
nodes=tree.xpath('//div[@id="content-left"]/div[@class="article block untagged mb15"]')

#循环对每个段子结点进行输出
for node in nodes:
    #解析每个段子
    res_author=node.xpath('div[@class="author clearfix"]/a[2]/h2')[0].text
    content=node.xpath('a[@class="contentHerf"]/div[@class="content"]/span')[0].text
    num_vote=node.xpath('div[@class="stats"]/span[@class="stats-vote"]/i')[0].text
    num_comments=node.xpath('div[@class="stats"]/span[@class="stats-comments"]/a[@class="qiushi_comments"]/i')[0].text
                    
    #输出指定内容
    print u"作者："+res_author
    print "---------------------------------------------------------"
    print u"内容："+content
    print "---------------------------------------------------------"
    print u"点赞："+num_vote+u",评论："+num_comments+"\n"