每日总结
对于老师要求的第二个个人作业进行完成。
这个作业要求爬取顶会热词,然后生成热词云。
首先是对内容的爬取,由于以前做过爬虫,因此对于文章的爬取就不是很难了,而且没有反爬虫的限制,但是中间会出现断网的情况,我的解决办法就是输出一共爬取了多少条,然后下次就从断网的那里继续爬。
代码如下:
import requests
import pymysql
from lxml import etree # 导入库
from bs4 import BeautifulSoup
import re
import time
db = pymysql.connect(host="localhost", user="root", passwd="", database="lunwen", charset='utf8')
cursor = db.cursor()
# 定义爬虫类
class Spider():
def __init__(self):
self.url = 'https://openaccess.thecvf.com/CVPR2018?day=2018-06-21'
self.headers = {
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
}
r = requests.get(self.url,headers=self.headers)
r.encoding = r.apparent_encoding
self.html = r.text
def lxml_find(self):
'''用lxml解析'''
tonum =243
start = time.time() # 三种方式速度对比
selector = etree.HTML(self.html) # 转换为lxml解析的对象
titles = selector.xpath('//dt[@class="ptitle"]/a/@href') # 这里返回的是一个列表
for each in titles[243:]:
title0 = each.strip() # 去掉字符左右的空格
#print("https://openaccess.thecvf.com/content_CVPR_2019"+title[17:])
chaolianjie="https://openaccess.thecvf.com/content_cvpr_2018"+title0[17:]
req=requests.get(chaolianjie,headers=self.headers)
req.encoding=req.apparent_encoding
onehtml=req.text
selector1=etree.HTML(req.text)
title=selector1.xpath('//div[@id="papertitle"]/text()')
#print(title[0][1:])
abst=selector1.xpath('//div[@id="abstract"]/text()')
hre0=selector1.xpath('//a/@href')
hre="https://openaccess.thecvf.com"+hre0[5][5:]
#print(hre)
zuozhe=selector1.xpath('//dd/div[@id="authors"]/b/i/text()')
va = []
va.append(title)
va.append(hre)
va.append(abst)
va.append(zuozhe)
va.append("2018-06-21")
sql = "insert into xiangxi (title,link,abstract,zuozhe,time) values (%s,%s,%s,%s,%s)"
cursor.execute(sql, va)
db.commit()
print("爬取完了" + str(tonum) + "条")
tonum=tonum+1
end = time.time()
print('lxml耗时', end-start)
if __name__ == '__main__':
spider = Spider()
spider.lxml_find()
cursor.close()
db.close()