盘点一个网络爬虫中常见的一个错误

点击上方“Python爬虫与数据挖掘”，进行关注

回复“书籍”即可获赠Python从入门到进阶共10本电子书

今

日

鸡

汤

圣朝无阙事，自觉谏书稀。

大家好，我是皮皮。

一、前言

前几天在Python白银交流群有个叫【雨就是雨】的粉丝问了一个Python网络爬虫的问题，这里拿出来给大家分享下，一起学习下。

问题如下：

二、解决过程

这里很容易的一个怀疑点是原网页上的网页结构变化了，使用xpath选择器进行提取的话，会出现不匹配的情况，列表索引不在范围内，引起报错。

【Python进阶者】给出了一个思路，确实可以使用try异常处理来避开，不过始终拿不到数据，确实有点让人头大。

后来下午的时候【Python进阶者】跑他代码的时候发现了原因，如下图所示。

他的url这里，构造有问题，多了一个/，导致网页访问出错。

修改下，就可以跑了，另外，网页详情页里边也有多次请求，记得稍微sleep下，就可以了。下面是详细代码，感兴趣的小伙伴们，可以拿去跑下。

importrequestsfromlxmlimportetreefromfake_useragentimportUserAgentimporttimeclasskitchen(object):u=0def__init__(self):self.url="https://www.xiachufang.com/category/40076/"ua=UserAgent(verify_ssl=False)foriinrange(1,50):self.headers={"User-Agent":ua.random,}"""发送请求获取响应"""defget_page(self,url):res=requests.get(url=url,headers=self.headers)html=res.content.decode("utf-8")time.sleep(2)returnhtmldefparse_page(self,html):parse_html=etree.HTML(html)image_src_list=parse_html.xpath("//li/div/a/@href")foriinimage_src_list:try: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()")self.u+=1#print(self.u)#print(str(self.u)+"."+house_dict["名称:"]+":")#da=tuple(house_dict["材料:"])food_info="""第%s种菜名:%s原料:%s下载链接:%s,================================================================="""%(str(self.u),num,ingredients,url)#print(food_info)f=open("下厨房菜谱.txt","a",encoding="utf-8")f.write(str(food_info))print(str(food_info))f.close()except:print("xpath没获取到内容！")defmain(self):startPage=int(input("起始页:"))endPage=int(input("终止页:"))forpageinrange(startPage,endPage+1):url=self.url.format(page)html=self.get_page(url)self.parse_page(html)time.sleep(2.4)print("====================================第%s页爬取成功===================================="%page)if__name__=="__main__":imageSpider=kitchen()imageSpider.main()

跑出来的结果会保存到一个txt文件里边，如下图所示：

碰到这种url拼接问题，推荐使用urljoin的方式，示例代码如下：

fromurllib.parseimporturljoinsource_url="https://www.baidu.com/"child_url1="/robots.txt"child_url2="robots.txt"final_url1=urljoin(source_url,child_url1)final_url2=urljoin(source_url,child_url2)print(final_url1)print(final_url2)

运行结果如下图所示：

urljoin的作用就是连接两个参数的url，将第二个参数中缺的部分用第一个参数的补齐，如果第二个有完整的路径，则以第二个为主。

三、总结

大家好，我是皮皮。这篇文章主要盘点一个网络爬虫中常见的一个错误问题，文中针对该问题给出了具体的解析和代码演示，帮助粉丝顺利解决了问题。最后给大家安利了一个url拼接的方法，在网络爬虫中还是非常常用的。

最后感谢粉丝【雨就是雨】提问，感谢【Python进阶者】给出的具体解析和代码演示，感谢粉丝【꯭】、【艾希·觉罗】、【月神】、【dcpeng】、【瑜亮老师】等人参与学习交流。

小伙伴们，快快用实践一下吧！如果在学习过程中，有遇到任何Python问题，欢迎加我好友，我拉你进Python学习交流群共同探讨学习。

-------------------End-------------------

往期精彩文章推荐：

盘点Python内置函数sorted()高级用法实战

手把手教你进行Python网络爬虫中的Charles+Postern抓包

Python网络爬虫之数美滑块的加密及轨迹~~动态js参数分析

盘点Python集合中一个“坑”

欢迎大家点赞，留言，转发，转载，感谢大家的相伴与支持

想加入Python学习群请在后台回复【入群】

万水千山总是情，点个【在看】行不行

关键词： 网络爬虫 如下图所示 一个错误