寫在前面 之前幾篇文章都是在寫圖片相關的爬蟲，今天寫個留言板爬出，為另一套數據分析案例的教程做做準備，作為一個河北人，遵紀守法，有事投訴是必備的技能，那麼咱看看我們大河北人都因為什麼投訴過呢？ 今天要爬取的網站地址 ，一遍爬取一遍嘀咕，別因為爬這個網站在去喝茶，再次聲明，學習目的，切勿把人家網站爬癱 ...
寫在前面
之前幾篇文章都是在寫圖片相關的爬蟲，今天寫個留言板爬出，為另一套數據分析案例的教程做做準備，作為一個河北人，遵紀守法，有事投訴是必備的技能，那麼咱看看我們大河北人都因為什麼投訴過呢？
今天要爬取的網站地址 http://yglz.tousu.hebnews.cn/l-1001-5-，一遍爬取一遍嘀咕，別因為爬這個網站在去喝茶，再次聲明，學習目的，切勿把人家網站爬癱瘓了。
開始擼代碼
今天再次嘗試使用一個新的模塊 lxml ，它可以配合xpath快速解析HTML文檔，官網網站 https://lxml.de/index.html
利用pip安裝lxml，如果安裝失敗，可以在搜索引擎多搜搜，內容很多，100%有解決方案。
pip install lxml廢話不多說，直接通過requests模塊獲取百度首頁，然後用lxml進行解析
import requests
from lxml import etree # 從lxml中導入etree
response = requests.get("http://www.baidu.com")
html = response.content.decode("utf-8")
tree=etree.HTML(html) # 解析html
print(tree)
當你列印的內容為下圖所示，你就接近成功了！
下麵就是 配合xpath 語法獲取網頁元素了，關於xpath 這個你也可以自行去學習，非常簡單，搜索一下全都是資料，咱就不講了。
通過xpath我們進行下一步的操作，代碼註釋可以多看一下。
tree=etree.HTML(html) # 解析html
hrefs = tree.xpath('//a') #通過xpath獲取所有的a元素
# 註意網頁中有很多的a標簽，所以獲取到的是一個數組，那麼我們需要用迴圈進行操作
for href in hrefs:
print(href)列印結果如下
<Element a at 0x1cf64252408>
<Element a at 0x1cf642523c8>
<Element a at 0x1cf64252288>
<Element a at 0x1cf64252308>
<Element a at 0x1cf64285708>
<Element a at 0x1cf642aa108>
<Element a at 0x1cf642aa0c8>
<Element a at 0x1cf642aa148>
<Element a at 0x1cf642aa048>
<Element a at 0x1cf64285848>
<Element a at 0x1cf642aa188>在使用xpath配合lxml中，記住只要輸出上述內容，就代表獲取到東西了，當然這個不一定是你需要的，不過代碼至少是沒有錯誤的。
繼續編寫代碼
# 註意網頁中有很多的a標簽，所以獲取到的是一個數組，那麼我們需要用迴圈進行操作
for href in hrefs:
print(href)
print(href.get("href")) # 獲取html元素屬性
print(href.text) # 獲取a標簽內部文字
輸出結果
<Element a at 0x1c7b76c2408>
http://news.baidu.com
新聞
<Element a at 0x1c7b76c23c8>
http://www.hao123.com
hao123
<Element a at 0x1c7b76c2288>
http://map.baidu.com
地圖
<Element a at 0x1c7b76c2308>
http://v.baidu.com
視頻
<Element a at 0x1c7b76f5708>
http://tieba.baidu.com
貼吧現在你已經看到，我們已經獲取到了百度首頁的所有a標簽，並且獲取到了a標簽的href屬性和a標簽的文字。有這些內容，你就能很容易的去獲取我們的目標網站了。
爬取投訴數據
找到我們的目標網頁，結果發現，出事情了，頁面竟然是用aspx動態生成的，技術你就不需要研究了，總之，碰到了一個比較小的問題。
首先，點擊下一頁的時候，頁面是局部刷新的
刷新的同時，捕獲了一下發送的請求，是post方式，這個需要留意一下，最要緊的是下麵第2張圖片和第3張圖片。
這張圖片中的viewstate
這張圖片也有一些奇怪的參數
這些參數都是典型的動態網頁參數。
解決這個問題，還要從源頭抓起！
打開我們要爬取的首頁http://yglz.tousu.hebnews.cn/l-1001-5- 第1點需要確定，post的地址經過分析就是這個頁面。
所以這段代碼是必備的了，註意下麵的post
response = requests.post("http://yglz.tousu.hebnews.cn/l-1001-5-")
html = response.content.decode("utf-8")右鍵查看源碼之後，發現源碼中有一些比較重要的隱藏域 裡面獲取就是我們要的必備信息
沒錯，這些內容，我們想辦法獲取到就可以了
基本步驟
- 獲取源碼
- lxml通過xpath解析隱藏域，取值
import requests
from lxml import etree # 從lxml中導入etree
try:
response = requests.post("http://yglz.tousu.hebnews.cn/l-1001-5-")
html = response.content.decode("utf-8")
except Exception as e:
print(e)
tree=etree.HTML(html) # 解析html
hids = tree.xpath('//input[@type="hidden"]') # 獲取隱藏域
# 聲明一個字典，用來存儲後面的數據
common_param = {}
# 迴圈取值
for ipt in hids:
common_param.update({ipt.get("name"):ipt.get("value")}) # 這個地方可以分開寫，應該會很清楚，我就不寫了，總之，就是把上面獲取到的隱藏域的name屬性和value屬性都獲取到了
上面的代碼寫完之後，其實已經完成了，非常核心的內容了，後面就是繼續爬取了
我們按照post要的參數補充完整其他的參數即可
import requests
from lxml import etree # 從lxml中導入etree
try:
response = requests.post("http://yglz.tousu.hebnews.cn/l-1001-5-")
html = response.content.decode("utf-8")
except Exception as e:
print(e)
tree=etree.HTML(html) # 解析html
hids = tree.xpath('//input[@type="hidden"]')
common_param = {}
for ipt in hids:
common_param.update({ipt.get("name"):ipt.get("value")})
##############################################################
for i in range(1,691):
common_param.update({"__CALLBACKPARAM":f"Load|*|{i}", # 註意這個地方，由於我直接看到了總共有690頁數據，所以直接寫死了迴圈次數
"__CALLBACKID": "__Page",
"__EVENTTARGET":"",
"__EVENTARGUMENT":""})
到這一步，就可以抓取真實的數據了，我在下麵的代碼中最關鍵的一些地方加上註釋，希望你能看懂
for i in range(1,691):
common_param.update({"__CALLBACKPARAM":f"Load|*|{i}",
"__CALLBACKID": "__Page",
"__EVENTTARGET":"",
"__EVENTARGUMENT":""})
response = requests.post("http://yglz.tousu.hebnews.cn/l-1001-5-",data=common_param,headers=headers)
html = response.content.decode("utf-8")
print("*"*200)
tree = etree.HTML(html) # 解析html
divs = tree.xpath('//div[@class="listcon"]') # 解析列表區域div
for div in divs: # 迴圈這個區域
try:
# 註意下麵是通過div去進行的xpath查找，同時加上try方式報錯
shouli = div.xpath('span[1]/p/a/text()')[0] # 受理單位
type = div.xpath('span[2]/p/text()')[0].replace("\n","") # 投訴類型
content = div.xpath('span[3]/p/a/text()')[0] # 投訴內容
datetime = div.xpath('span[4]/p/text()')[0].replace("\n","") # 時間
status = div.xpath('span[6]/p/text()')[0].replace("\n","") # 時間
one_data = {"shouli":shouli,
"type":type,
"content":content,
"datetime":datetime,
"status":status,
}
print(one_data) # 列印數據，方便存儲到mongodb裡面
except Exception as e:
print("內部數據報錯")
print(div)
continue
代碼完成，非常爽
最後抓取到了 13765 條數據，官方在我抓取的時候是13790，差了25條數據，沒有大的影響~
數據我都存儲在了 mongodb裡面，關於這個如何使用，請去看我以前的代碼吧~~~~
這些數據，放著以後做數據分析用了。
https://github.com/wangdezhen/yangguangwenzheng
