【寫在前面】
在用requests庫對自己的CSDN個人博客(https://blog.csdn.net/yuzipeng)進行爬取時,發現亂碼報錯(\xe4\xb8\xb0\xe5\xaf\x8c\xe7\x9),如下圖所示:
網上 查找了一些方法,以爲是遇到了網站加密處理。後來發現 通過F12還 是能獲取網頁的元素,那麼有什麼辦法能規避亂碼問題呢?答案是:用selenium.
【效果如下】
【示例代碼】
# coding=utf-8
# @Auther : "鵬哥賊優秀"
# @Date : 2019/10/16
# @Software : PyCharm
from selenium import webdriver
url = 'https://blog.csdn.net/yuzipeng'
driver = webdriver.Chrome("F:\\Python成長之路\\chromedriver.exe")
driver.get(url)
urls = driver.find_elements_by_xpath('//div[@class="article-item-box csdn-tracking-statistics"]')
blogurl = ['https://blog.csdn.net/yuzipeng/article/details/' + url.get_attribute('data-articleid') for url in urls]
titles = driver.find_elements_by_xpath('//div[@class="article-item-box csdn-tracking-statistics"]/h4/a')
blogtitle = [title.text for title in titles]
myblog = {k:v for k,v in zip(blogtitle,blogurl)}
for k,v in myblog.items():
print(k,v)
driver.close()
【知識點】
1、selenium使用
基本的selenium安裝方法、使用方法(如查找元素的各類函數)可以詳見之前的博客《【Python成長之路】從零學爬蟲--給微信公衆號閱讀量作個弊:刷閱讀量》(https://blog.csdn.net/yuzipeng/article/details/100179696)
2、推導式使用
(1)列表推導式:[表達式 for 變量 in 列表] 或者 [表達式 for 變量 in 列表 if 條件]
類似這樣就可以實現將for循環的多行程序濃縮到一句代碼 中,如
blogtitle = [title.text for title in titles]
而如果用for循環寫,則需要這樣:
blogtitle = []
for title in titles:
blogtitle.append(title)
(2)字典推導式:{ key表達式: value表達式 for value in collection if condition }
這樣的寫法,一般用於key和value能相互轉換;但是如果key和value是完全不同的列表,那就需要用zip對key/value進行整合。
myblog = {k:v for k,v in zip(blogtitle,blogurl)}
如果對zip函數不熟悉,可以用下面的例子來 介紹下。
a = ['a', 'b', 'c']
b = [1, 2, 3]
c = {k: v for k, v in zip(a, b)}
print(c)
結果是:{'a': 1, 'b': 2, 'c': 3}
【關於鵬哥】
“鵬哥賊優秀”的公衆號,有興趣的同學可以關注,一起學習進步。