教你使用Python网络爬虫获取菜谱信息，

 

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理

以下文章来源于腾讯云 作者：Python进阶者

( 想要学习Python？Python学习交流群：1039649593，满足你的需求，资料都已经上传群文件流，可以自行下载！还有海量最新2020python学习资料。 )

/1 前言/

在放假时 ，经常想尝试一下自己做饭，下厨房这个网址是个不错的选择。

下厨房是必选的网址之一，主要提供各种美食做法以及烹饪技巧。包含种类很多。

今天教大家去爬取下厨房的菜谱 ，保存在world文档，方便日后制作自己的小菜谱。

/2 项目目标/

获取菜谱，并批量把菜 名、 原 料 、下 载 链 接 、下载保存在world文档。

/3 项目准备/

软件：PyCharm

需要的库：requests、lxml、fake_useragent、time

网站如下：

https://www.xiachufang.com/explore/?page={}

 

点击下一页时，每增加一页page自增加1，用{}代替变换的变量，再用for循环遍历这网址，实现多个网址请求。

/4 反爬措施的处理/

主要有两个点需要注意：

1、直接使用requests库，在不设置任何header的情况下，网站直接不返回数据

2、同一个ip连续访问多次，直接封掉ip，起初我的ip就是这样被封掉的。

为了解决这两个问题，最后经过研究，使用以下方法，可以有效解决。

1）获取正常的 http请求头，并在requests请求时设置这些常规的http请求头。

2）使用 fake_useragent ，产生随机的UserAgent进行访问。

/5 项目实现/

1、定义一个class类继承object，定义init方法继承self，主函数main继承self。导入需要的库和网址，代码如下所示。

import requests
from lxml import etree
from fake_useragent import UserAgent
import time

class  kitchen(object):
    def __init__(self):
      self.url = "https://www.xiachufang.com/explore/?page={}"

    def main(self):
        pass

if __name__ == '__main__':
    imageSpider =  kitchen()
    imageSpider.main()

 

2、随机产生UserAgent。

 for i in range(1, 50):
            self.headers = {
                'User-Agent': ua.random,
            }

 

3、发送请求 获取响应, 页面回调，方便下次请求。

def get_page(self, url):
    res = requests.get(url=url, headers=self.headers)
    html = res.content.decode("utf-8")
    return html

 

4、xpath解析一级页面数据,获取二级页面网址。

def parse_page(self, html):
    parse_html = etree.HTML(html)
    image_src_list = parse_html.xpath('//li/div/a/@href')

 

5、for遍历，定义一个变量food_info保存，获取到二级页面对应的菜 名、 原 料 、下 载 链 接。

for i in image_src_list:
       url = "https://www.xiachufang.com/" + i
       # print(url)
       html1 = self.get_page(url)  # 第二个发生请求
       parse_html1 = etree.HTML(html1)
       # print(parse_html1)
       num = parse_html1.xpath('.//h2[@id="steps"]/text()')[0].strip()
       name = parse_html1.xpath('.//li[@class="container"]/p/text()')
       ingredients = parse_html1.xpath('.//td//a/text()')
       food_info = '''  
第 %s 种
           
菜 名 : %s
原 料 : %s
下 载 链 接 : %s,
=================================================================
                    ''' % (str(self.u), num, ingredients, url)

 

6、保存在world文档 。

 f = open('下厨房/菜谱.doc', 'a', encoding='utf-8')  # 以'w'方式打开文件
 f.write(str(food_info))
 f.close()

 

7、调用方法，实现功能。

html = self.get_page(url)
self.parse_page(html)

 

8、项目优化

1）方法一：设置时间延时。

 time.sleep(1.4)

 

2）方法二：定义一个变量u,for遍历，表示爬取的是第几种食物。（更清晰可观）。

u = 0
self.u += 1;

 

/6 效果展示/

1、点击绿色小三角运行输入起始页，终止页。

2、运行程序后，结果显示在控制台，如下图所示。

3、将运行结果保存在world文档中，如下图所示。

4、双击文件，内容如下图所示。

/7 小结/

1、本文章基于Python网络爬虫，获取下厨房网站菜谱信息，在应用中出现的难点和重点，以及如何防止反爬，做出了相对于的解决方案。

2、介绍了如何去拼接字符串，以及列表如何进行类型的转换。

3、代码很简单，希望能够帮到你。

4、欢迎大家积极尝试，有时候看到别人实现起来很简单，但是到自己动手实现的时候，总会有各种各样的问题，切勿眼高手低，勤动手，才可以理解的更加深刻。

5、可以选择自己喜欢的分类，获取自己喜欢的菜谱，每个人都是厨师。

标签：菜谱,Python,self,html1,爬虫,parse,url,html,page
来源： https://www.cnblogs.com/aa1273935919/p/14138633.html