python收集网页中的翻页

来源：互联网发布：中级程序员报考条件编辑：程序博客网时间：2024/05/30 23:03

要用采集器采集网页中的图片，由于网址里面的下一页是javascript形式的，此采集器无法判断，所以先用python把网址搜集起来。
观察到每翻一页,网址后面的页码数+1。为提高效率，减少访问数，先找到可见的最后一个链接，根据此链接页码数，拼凑出前面网址。

然后访问最后链接，查找是否有“下一页”字段，如果有，就拼凑出下一页网址。

#!/usr/bin/python# -*- coding: UTF-8 -*-import requestsfrom lxml import etreedef find_url(url):    global count,newUrl    #找到最后一个课程链接，取出页码，拼凑1至此页码的网址并添加到列表newUrl。    #XPath规则可在chrome中查看。    r = requests.get(url+'001.htm')    count += 1    html = etree.HTML(r.text)    #找到最后一个可见链接    result = html.xpath('//div[@class="xxxxxx"]/a[last()]/@href')    #取出链接中的页码数    maxNumber = int(result[0].split('/')[-1].split('.')[0])    print maxNumber    #拼凑前面网址添加到列表newUrl    for i in xrange(1,maxNumber+1):        nextUrl = "{0}{1:0>3}.htm".format(url , i)        newUrl.append(nextUrl)        #判断网页中是否有“下一页”，如果有，拼凑出下一页网址，并添加到newUrl    nextR = requests.get(newUrl[-1])    count += 1    nextR.encoding = 'GBK'    #查找“title="下一页"”    while nextR.text.find(u'title="下一页"') != -1:        maxNumber += 1        nextUrl = "{0}{1:0>3}.htm".format(url , maxNumber)        newUrl.append(nextUrl)        print maxNumber        try:            nextR = requests.get(nextUrl)            count += 1            nextR.encoding = 'GBK'        except:            break         print '访问url数:',count   #记录访问数，每访问一次，count加1count = 0#用于存储url的列表newUrl = []for row in open(u'E:/xx/xxxx/rjb_1.txt','r'):    find_url(row.strip())    #存入文本    with open(u'E:/xx/xxxx/url_a1.txt','a') as f:        for url in newUrl:            print >> f,url    newUrl = []

0 0