python爬虫爬取指定内容的解决方法

爬取一些网站下指定的内容，一般来说可以用xpath来直接从网页上来获取，但是当我们获取的内容不唯一的时候我们无法选择，我们所需要的、所指定的内容。

解决办法：

可以使用for In 语句来判断
如果我们所指定的内容在这段语句中我们就把这段内容爬取下来，反之就丢弃

实列代码如下：（以我们学校为例）

import urllib.request
from lxml import etree
def creat_url(page):
   if(page==1):
       url='https://www.qjnu.edu.cn/channels/9260.html'
   else:
       url='https://www.qjnu.edu.cn/channels/9260_'+str(page)+'.html'
   headers={
       'User-Agent':' Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.64 Safari/537.36 Edg/101.0.1210.53'
   }
   request = urllib.request.Request(url=url,headers=headers)
   return request
def creat_respons(request):
   respons = urllib.request.urlopen(request)
   content = respons.read().decode('utf-8')
   return content
def down_2(url):
   url = url
   headers = {
       'User-Agent': ' Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.60 Safari/537.36 Edg/100.0.1185.29'
   }
   request = urllib.request.Request(url=url, headers=headers)
   response = urllib.request.urlopen(request)
   content2 = response.read().decode('utf-8')
   tree2 = etree.HTML(content2)
   return tree2
def down_loads(content):
   tree = etree.HTML(content)
   name_list = tree.xpath('//div[@class="media"]/h4/a/text()')
   url_list = tree.xpath('//div[@class="media"]/h4/a/@href')
   for i in range(len(name_list)):
       if key in name_list[i]:
           with open('学校党员主题网址.txt', 'a', encoding='UTF-8') as fp:
               fp.write(url_list[i]+'\n')
           url = url_list[i]
           tree = down_2(url)
           tex_list = tree.xpath('//div[@class="field-item even"]//p/span/text()')
           name = name_list[i]
           with open(name + '.txt', 'w', encoding='UTF-8') as fp:
               fp.write(str(tex_list))
if __name__ == '__main__':
   all_page=int(input('请输入要爬取页码：'))
   key = str(input('请输入关键词：'))
   s_page=1
   for page in range(s_page,all_page+1):
       request=creat_url(page)
       content=creat_respons(request)
       down_loads(content)

此段代码的可执行性没有问题，逻辑上也能够串通
但是代码冗余较多，看起来有点复杂，现在正在研究简化版的代码！

来源：https://www.cnblogs.com/h-y-26/p/16373261.html