背景

昨天看了一篇获取房价的文章后，运行了案例代码，能看懂，但对 html 解析的用法还不熟悉。

今天继续练习 Python 编码，目标是腾讯动漫网页，先完成基本信息的获取。为什么选这个呢，主要是昨天想对着某文章练习 Python Spider 编码时，发现它是一个付费专栏，于是自己来写写。

页面元素分析

开发者模式，定位到一个节点，根据 class 信息查询动漫节点，目标是具有ret-search-item clearfix 的 li 元素。

动漫的各项信息定位：

1. 海报地址：第一个 a 标签下的 img 标签的 data-original 属性。
2. 动漫名称：第一个 a 标签的 titile 属性。
3. 作者：具有 ret-works-author 类属性的 p 标签的文本。
4. 描述：具有 ret-works-decs 类属性的p` 标签的文本。
5. 动漫详情地址：具有 ret-works-view 类属性的 a 标签的 href 属性。

编码实现

要取全部页面，考虑用多线程协作。

from bs4 import BeautifulSoup
import numpy as np
import requests
from requests.exceptions import RequestException
import threading

"--动漫网页方法--"
def spiderPage(url, page):
    try:
        headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3947.100 Safari/537.36"}
        html1 = requests.request("GET", url, headers=headers, timeout=10)
        html1.encoding = 'utf-8'  # 加编码
        html = html1.text

        # print('scrawl result')
        # print(html)
        return html
    except RequestException:  # 异常捕获
        print('第{0}读取网页失败'.format(page))
        return None

"--解析列表页面的动漫信息--"
def parsePage(url, page):
    # 取页面
    html = spiderPage(url, page)
    html = str(html)
    if html is not None:
        # soup = BeautifulSoup(html, 'lxml')
        soup = BeautifulSoup(html, 'html.parser')
        "--先确定动漫信息，即li标签列表，li class = ret-search-item clearfix --"
        cosmics = soup.find_all("li",class_="ret-search-item clearfix")
        for j in range(len(cosmics)):  # 遍历每一个动漫
            cosmic = cosmics[j]

            "动漫海报：mod-cover-list-thumb mod-cover-effect ui-db"
            poster = cosmic.findNext("a")
            posterImgTag = poster.findNext("img")
            posterImgUrl = posterImgTag.get("data-original")
            print("posterImgUrl ",posterImgUrl)

            "动漫详情 URL"
            cosmicTag= cosmic.findNext("a",class_="ret-works-view")
            cosmicUrl = "https://ac.qq.com/"+ cosmicTag.get("href")

            "动漫名称：ret-works-title "
            print("name is", poster.get("title"))

            "动漫作者：ret-works-author"
            author = cosmic.findNext("p",class_="ret-works-author")
            print("author is ", author.text)

            "动漫描述：ret-works-decs"
            desc = cosmic.findNext("p",class_="ret-works-decs")
            print("desc is ",desc.text)
            print()

# 启动两个线程获取页面数据
for i in range(1,100,2):  # 遍历网页1-101
    url1 = "https://ac.qq.com/Comic/index/page/" + str(i)
    url2 = "https://ac.qq.com/Comic/index/page/" + str(i + 1)

    thread1 = threading.Thread(target=parsePage, args=(url1, i)) 
    thread2 = threading.Thread(target=parsePage, args=(url2, i + 1))
    thread1.start()
    thread2.start()

运行结果

编码启示录

首先，有个大疑惑就是解析文本的时候， soup = BeautifulSoup(html, 'html.parser') 和 soup = BeautifulSoup(html, 'lxml') 有什么区别呢？

最初参考房价项目的代码，用的是 lxml ,select 按 class 解析不到东西，再改成 html.parser 用 find 方法可以正常解析了。

答案是，解析器不同：

• html.parser，内置，不需要额外的依赖项。
• html5lib，最宽大，如果HTML损坏，最好使用它。
• lxml，最快，依赖外部 C 。

其次，Python 解析页面还是挺好定位的。

今天先完成基础信息的获取，下一步的完善目标是生成 DataFrame 数据，写入 Excel 表格，同时获取全部的动漫图片。