Python爬虫获取数据保存到数据库中的超详细教程(一看就会)

1.简介介绍

-网络爬虫（又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
-一般在浏览器上可以获取到的，通过爬虫也可以获取到，常见的爬虫语言有PHP,JAVA,C#,C++,Python，为啥我们经常听到说的都是Python爬虫，这是因为python爬虫比较简单，功能比较齐全。

2.Xpath获取页面信息

通过Xpath进行爬虫就是获取到页面html后通过路径的表达式来选取标签节点，沿着路径选取需要爬取的数据。

Xpath常用表达式：

Xpath常用函数：

Xpath实操解析：

# 案例1
# //为从当前html中选取节点;[@class="c1text1"]为获取所有的class为c1text1的节点;/h1[1]为选取的节点下的第一个h1节点,如果没有[1]则是获取所有的,可以通过循环进行获取数据
etreeHtml.xpath('//*[@class="c1text1"]/h1[1]/text()')

# 案例2
#//为从当前html中选取节点;[@class="c1text1"]为获取所有的class为c1text1的节点;/a为获取当前节点下的所有a标签节点,得到一个ObjectList;通过for循环获取里面每个标签数据,./@src为获取当前节点的src属性值
etreeHtml2 = etreeHtml.xpath('//*[@class="c1text1"]/a')
for _ in etreeHtml2:
etreeHtml.xpath(./@src)

3.通过Xpath爬虫实操

本次实例以爬取我的CSDN文章列表信息保存到数据库为案列

3-1.获取xpath

通过F12打开开发者模式，点击左上角图标可参考下图，选择需要爬取数据的容器，在右边选择复制选择xpath就可以得到xpath路径了（//*[@id=“userSkin”]/div[2]/div/div[2]/div[1]/div[2]/div/div）；

完整代码展示：

# 导入需要的库
import requests
from lxml import etree
import pymysql

# 文章详情信息类
class articleData():
   def __init__(self, title, abstract, path,date):
       self.title = title #文章名称
       self.abstract = abstract #文章摘要
       self.path = path #文章路径
       self.date = date #发布时间

def to_string(self):
       print("文章名称:"+self.title
             +";文章摘要:"+self.abstract
             +";文章路径:"+self.path
             +";发布时间:"+self.date)

#保存狗狗详情数据
#保存数据
def saveData(DataObject):
   count = pymysql.connect(
       host='xx.xx.xx.xx',  # 数据库地址
       port=3306,  # 数据库端口
       user='xxxxx',  # 数据库账号
       password='xxxxxx',  # 数据库密码
       db='xxxxxxx'  # 数据库名
   )
   # 创建数据库对象
   db = count.cursor()
   # 写入sql
   # print("写入数据:"+DataObject.to_string())
   sql = f"insert into article_detail(title,abstract,alias,path,date) " \
         f"values ('{DataObject.title}','{DataObject.abstract}','{DataObject.path}','{DataObject.date}')"
   # 执行sql
   print(sql)
   db.execute(sql)
   # 保存修改内容
   count.commit()
   db.close()

# 爬取数据的方向
def getWebData():
   # 网站页面路径
   url = "https://blog.csdn.net/BadBoyxiaolin?spm=1000.2115.3001.5343"
   # 请求头，模拟浏览器请求
   header = {
       "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.82 Safari/537.36"
   }
   # 获取页面所有节点代码
   html = requests.get(url=url, headers=header)
   # 打印页面代码查看
   # print(html.text)
   # 如果乱码可以设置编码格式
   # html.encoding = 'gb2312'
   # 通过xpath获取数据对应节点
   etreeHtml = etree.HTML(html.text)
   dataHtml = etreeHtml.xpath('//*[@class="mainContent"]/div/div/div')
   # 循环获取数据
   for _ in dataHtml:
       # ''.join()是将内容转换为字符串可以后面接replace数据进行处理
       title = ''.join(_.xpath('./article/a/div[1]/h4/text()'))#文章标题
       abstract = ''.join(_.xpath('./article/a/div[2]/text()'))#文章摘要
       path = ''.join(_.xpath('./article/a/@href'))#文章路径
       date = ''.join(_.xpath('./article/a/div[3]/div/div[2]/text()')).replace(' ','').replace('·','').replace('发布博客','')#发布时间
       #初始化文章类数据
       article_data = articleData(title,abstract,path,date)
       article_data.to_string() #打印数据看看是否对
       #保存数据到数据库
       # saveData(article_data)

if __name__ == "__main__":
   getWebData()

来源：https://blog.csdn.net/BadBoyxiaolin/article/details/124487762