关闭

Python3 爬虫(八) -- BeautifulSoup之再次爬取CSDN博文

标签: BeautifulSoup爬虫python
9031人阅读 评论(0) 收藏 举报
分类:

我的Python3爬虫(五)博文使用utllib基本函数以及正则表达式技术实现了爬取csdn全部博文信息的任务。
上一篇,我们学习了BeautifulSoup这样一个优秀的Python库,必须有效利用起来。那么我们就利用BeautifulSoup4重新实现一次爬取csdn博文的任务。

由于我修改了博客配置,首页主题换了一下,我们基于新的主题查看网页,如下图所示:



同样的,确认要提取的信息,以及博文总页数。

分析网页源码

url以及请求报头的设置与之前相同,在这儿就不啰嗦了,主要详述怎样利用BeautifulSoup4获取我们的目标信息,先来看一下当前网页源码:
博文信息模块:

页码信息模块:


提取博文页数

    #求总页数
    def getPages(self):
        req = urllib.request.Request(url=self.url, headers=self.headers)
        page = urllib.request.urlopen(req)

        # 从我的csdn博客主页抓取的内容是压缩后的内容,先解压缩
        data = page.read()
        data = ungzip(data)
        data = data.decode('utf-8')

        # 得到BeautifulSoup对象
        soup = BeautifulSoup(data,'html5lib')
        # 计算我的博文总页数
        tag = soup.find('div',"pagelist")
        pagesData = tag.span.get_text()
        #输出392条  共20页,找到其中的数字
        pagesNum = re.findall(re.compile(pattern=r'共(.*?)页'),pagesData)[0]
从上述代码可以看出,当我们读取网页数据之后,定义BeautifulSoup对象,调用find函数可读出“392条 共20页”,而我们要的是20这个数字,然后在利用正则表达式提取出来即可。

提取博文信息

#读取博文信息
    def readData(self):
        ret=[]
        req = urllib.request.Request(url=self.url, headers=self.headers)
        res = urllib.request.urlopen(req)

        # 从我的csdn博客主页抓取的内容是压缩后的内容,先解压缩
        data = res.read()
        data = ungzip(data)
        data = data.decode('utf-8')

        soup=BeautifulSoup(data,"html5lib")
        #找到所有的博文代码模块
        items = soup.find_all('div',"list_item article_item")
        for item in items:
            #标题、链接、日期、阅读次数、评论个数
            title = item.find('span',"link_title").a.get_text()
            link = item.find('span',"link_title").a.get('href')
            writeTime = item.find('span',"link_postdate").get_text()
            readers = re.findall(re.compile(r'\((.*?)\)'),item.find('span',"link_view").get_text())[0]
            comments = re.findall(re.compile(r'\((.*?)\)'),item.find('span',"link_comments").get_text())[0]

            ret.append('日期:'+writeTime+'\n标题:'+title
                       +'\n链接:http://blog.csdn.net'+link
                       +'\n'+'阅读:'+readers+'\t评论:'+comments+'\n')
        return ret
从代码可以看出,我们提取每个元素的信息可以很简便的采用BeautifulSoup的函数,不需要构造复杂的正则表达式,大大简化了操作。

完整代码

其它操作与之前相同,就不赘述了,下面给出完整代码:
'''
program: csdn博客爬虫2
function: 采用BeautifulSoup技术实现对我的csdn主页所有博文的日期、主题、访问量、评论个数信息爬取

version: python 3.5.1
time: 2016/06/01
autuor: yr
'''


import urllib.request,re,time,random,gzip
from bs4 import BeautifulSoup

#定义保存文件函数
def saveFile(data,i):
    path = "E:\\projects\\Spider\\06_csdn2\\papers\\paper_"+str(i+1)+".txt"
    file = open(path,'wb')
    page = '当前页:'+str(i+1)+'\n'
    file.write(page.encode('gbk'))
    #将博文信息写入文件(以utf-8保存的文件声明为gbk)
    for d in data:
        d = str(d)+'\n'
        file.write(d.encode('gbk'))
    file.close()

#解压缩数据
def ungzip(data):
    try:
        #print("正在解压缩...")
        data = gzip.decompress(data)
        #print("解压完毕...")
    except:
        print("未经压缩,无需解压...")
    return data

#CSDN爬虫类
class CSDNSpider:
    def __init__(self,pageIdx=1,url="http://blog.csdn.net/fly_yr/article/list/1"):
        #默认当前页
        self.pageIdx = pageIdx
        self.url = url[0:url.rfind('/') + 1] + str(pageIdx)
        self.headers = {
            "Connection": "keep-alive",
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 "
                          "(KHTML, like Gecko) Chrome/51.0.2704.63 Safari/537.36",
            "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
            "Accept-Encoding": "gzip, deflate, sdch",
            "Accept-Language": "zh-CN,zh;q=0.8",
            "Host": "blog.csdn.net"
        }

    #求总页数
    def getPages(self):
        req = urllib.request.Request(url=self.url, headers=self.headers)
        page = urllib.request.urlopen(req)

        # 从我的csdn博客主页抓取的内容是压缩后的内容,先解压缩
        data = page.read()
        data = ungzip(data)
        data = data.decode('utf-8')

        # 得到BeautifulSoup对象
        soup = BeautifulSoup(data,'html5lib')
        # 计算我的博文总页数
        tag = soup.find('div',"pagelist")
        pagesData = tag.span.get_text()
        #输出392条  共20页,找到其中的数字
        pagesNum = re.findall(re.compile(pattern=r'共(.*?)页'),pagesData)[0]
        return pagesNum

    #设置要抓取的博文页面
    def setPage(self,idx):
        self.url = self.url[0:self.url.rfind('/')+1]+str(idx)

    #读取博文信息
    def readData(self):
        ret=[]
        req = urllib.request.Request(url=self.url, headers=self.headers)
        res = urllib.request.urlopen(req)

        # 从我的csdn博客主页抓取的内容是压缩后的内容,先解压缩
        data = res.read()
        data = ungzip(data)
        data = data.decode('utf-8')

        soup=BeautifulSoup(data,"html5lib")
        #找到所有的博文代码模块
        items = soup.find_all('div',"list_item article_item")
        for item in items:
            #标题、链接、日期、阅读次数、评论个数
            title = item.find('span',"link_title").a.get_text()
            link = item.find('span',"link_title").a.get('href')
            writeTime = item.find('span',"link_postdate").get_text()
            readers = re.findall(re.compile(r'\((.*?)\)'),item.find('span',"link_view").get_text())[0]
            comments = re.findall(re.compile(r'\((.*?)\)'),item.find('span',"link_comments").get_text())[0]

            ret.append('日期:'+writeTime+'\n标题:'+title
                       +'\n链接:http://blog.csdn.net'+link
                       +'\n'+'阅读:'+readers+'\t评论:'+comments+'\n')
        return ret

#定义爬虫对象
cs = CSDNSpider()
#求取
pagesNum = int(cs.getPages())
print("博文总页数: ",pagesNum)

for idx in range(pagesNum):
    cs.setPage(idx)
    print("当前页:",idx+1)
    #读取当前页的所有博文,结果为list类型
    papers = cs.readData()
    saveFile(papers,idx)


GitHub完整代码链接 --- 请戳我吧~~~


1
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:702723次
    • 积分:10223
    • 等级:
    • 排名:第1749名
    • 原创:392篇
    • 转载:49篇
    • 译文:0篇
    • 评论:190条
    博客专栏
    最新评论