python爬虫——爬取简书文章

最新推荐文章于 2025-09-09 20:12:58 发布

原创最新推荐文章于 2025-09-09 20:12:58 发布 · 2w 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#python爬虫

实践记录专栏收录该内容

4 篇文章

订阅专栏

本文介绍了如何使用Python爬虫从简书网站抓取文章标题、摘要和链接。首先分析了页面结构，利用XPath处理获取的XML文本。接着解决了动态加载的翻页问题，通过识别XHR请求URL实现多页爬取。此外，还讨论了应对网站访问限制的策略，包括设置请求头、使用代理IP和设置延迟请求。最后提供了完整的爬虫代码示例。

这段时间在做的事情需要从网上获得一点资讯类似文章啊、电影啊、新闻啊等等，看了很久感觉用简书这个网址来做爬虫相对来说简单一点，可以不需要设置登录啥的就能够获取到内容，相比较起来已经很容易了。
（一）分析页面结构
我选择了一个简书的专题，就是固定的一个url，专题里面文章也比较多，如果需要多个专题，把专题链接复制下来写在一个数组里面让爬虫循环爬就可以。本次就举一个固定的url为例来写。
打开Chrome的开发者工具，就会出现页面的结构。（之前用火狐浏览器感觉也挺方便的）一层层打开可以找到显示文章的标签

可以发现需要爬取的文章在<li>这个标签下，<a>标签为标题和链接，<p>为文章摘要，下面还有作者名字、点赞数等等，我主要需要获取标题、摘要以及文章链接即可。

（二）处理获取到的文本

爬虫爬下来的是整个页面的xml文本，需要找到我们所需要的东西还得经过处理才行，这里选择用xpath来处理，我觉得还挺好用的。
xpath相关语法可以参照这个：http://www.w3school.com.cn/xpath/xpath_syntax.asp

先设置各个路径如下：

#获取所有 li标签
xpath_items = '//ul[@class="note-list"]/li'
#对每个 li标签再提取
xpath_link = './div/a/@href'
xpath_title = './div/a[@class="title"]/text()'
xpath_abstract='./div/p/text()'

使用request的get方法获取页面，之后进行处理：

items1 = dom1.xpath(xpath_items)
    for article in items1:
        t = {}
        t['link'] = 'https://www.jianshu.com'+article.xpath(xpath_link)[0]
        t['title'] = article.xpath(xpath_title)[0]
        t['abstract']=article.xpath(xpath_abstract)[0]
        print(t)

（三）解决页面自动翻页问题

第一次爬的时候只爬取到了第一页的文章，大概5、6？篇的样子，后来看了好久，也在网上搜了搜发现是属于Ajax动态加载（https://zhuanlan.zhihu.com/p/27346009），翻页时页面url不变。此时需要打开Chrome的Network，这种技术的文档属于XHR文件，打开后可以看到一个新的request url，其中添加了order_by =added_at 和page=2，方法还是get方法。往下继续翻可以看到只是page在改变，这样的网站简直简单多了。٩꒰▽ ꒱۶⁼³₌₃

那么可以设置一个循环来实现页面的增加

a='added_at'
count=1
#获取和解析网页
while count<5:
    r1 = requests.get('https://www.jianshu.com/c/f0b5eb9b9e2f?order_by={}&page={}'.format(a,count))
    print('https://www.jianshu.com/c/f0b5eb9b9e2f?order_by={}&page={}'.format(a,count))
    r1.encoding = r1.apparent_encoding
    dom1 = etree.HTML(r1.text)
    print(r1.status_code)

#获取所有的文章标签
    items1 = dom1.xpath(xpath_items)
    for article in items1:
        t = {}
        t['link'] = 'https://www.jianshu.com'+article.xpath(xpath_link)[0]
        t['title'] = article.xpath(xpath_title)[0]
        t['abstract']=article.xpath(xpath_abstract)[0]
        print(t)
#解析完毕
    count=count+1
    print(count)
    r1.close()

（四）解决一些爬虫常见问题

①解决了翻页问题但是却逃不过被网站拒绝访问qwq，需要设置请求头和代理。请求头很简单，复制一下就ok。

设置代理这个，，我觉得得（dei）看运气(:3[▓▓] 一个代理ip网址：https://www.kuaidaili.com/free/（其实有很多，收费的比免费的更稳定）

最开始随便选择了几个，打算采取随机选取的方法，让访问的时候随机选择一个ip，这样不太容易被识别出来，但失败次数还是蛮高的。试了好几个以后发现有一个ip访问这个每次都是成功的，然后找了几个相似的居然成功率还挺高。不知道现在这个还行不行(｡⊙౪⊙｡)。因为简书的网址是https的，所以选择代理ip的时候也需要选择对应的。

#代理
proxy_list = [
    {"https" : "218.60.8.98:3129"},
    {"https" : "218.60.8.83:3129"},
    {"https" : "218.60.8.99:3129"}
]

②避免太频繁，除了多设几个代理ip以外，还可以加一个沉睡时间（单位为s级）

  time.sleep(5)

（五）完整代码（暂时只翻了5页，获取到的数据没有写进文件，可以改改）

#-*- coding: utf-8 -*
import requests
from lxml import etree
import time
import random
import socket

socket.setdefaulttimeout(20)
#请求头
headers1 = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'Accept-Encoding': 'gzip, deflate',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Cache-Control': 'max-age=0',
    'Content-Type': 'application/x-www-form-urlencoded',
    'Proxy-Connection': 'keep-alive',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36',
}

#代理
proxy_list = [
    {"https" : "218.60.8.98:3129"},
    {"https" : "218.60.8.83:3129"},
    {"https" : "218.60.8.99:3129"}
]

#获取所有 li标签
xpath_items = '//ul[@class="note-list"]/li'
#对每个 li标签再提取
xpath_link = './div/a/@href'
xpath_title = './div/a[@class="title"]/text()'
xpath_abstract='./div/p/text()'

a='added_at'
count=1
#获取和解析网页
while count<5:
    proxy = random.choice(proxy_list)
    print(proxy)
    r1 = requests.get('https://www.jianshu.com/c/f0b5eb9b9e2f?order_by={}&page={}'.format(a,count), headers=headers1,proxies=proxy)
    print('https://www.jianshu.com/c/f0b5eb9b9e2f?order_by={}&page={}'.format(a,count))
    r1.encoding = r1.apparent_encoding
    dom1 = etree.HTML(r1.text)
    print(r1.status_code)

#获取所有的文章标签
    items1 = dom1.xpath(xpath_items)
    for article in items1:
        t = {}
        t['link'] = 'https://www.jianshu.com'+article.xpath(xpath_link)[0]
        t['title'] = article.xpath(xpath_title)[0]
        t['abstract']=article.xpath(xpath_abstract)[0]
        print(t)
#解析完毕
    count=count+1
    print(count)
    r1.close()
    time.sleep(5)

结果用json文件存的，比较方便传数据库