关闭

脚本:获取CSDN文章的访问量

标签: 脚本csdn访问量python爬虫
177人阅读 评论(0) 收藏 举报
分类:

目标

  • 获取所有文章名,链接,阅读人数,评论数
  • 以适合pandas读取的格式存储之

分析

页面跳转

首页:http://blog.csdn.net/fontthrone?viewmode=list
第二页:http://blog.csdn.net/FontThrone/article/list/2
三四页以此类推
根据第二三四页的格式尝试http://blog.csdn.net/FontThrone/article/list/1
成功跳转:证明http://blog.csdn.net/fontthrone?viewmode=list = http://blog.csdn.net/FontThrone/article/list/1

那么获取不同的页面我们只需要通过跳转链接最后面的 数字来控制就好了,真是简单=- =

页面整体构成

这里写图片描述
页面构成(class)如图所示
- article_list
- - list_item article_item
- - - article_title 标题
- - - - h1
- - - - - link_title
- - - - - - a
- - - article_description 文章摘要
- - - article_manage
- - - - link_postdate 日期
- - - - link_view 阅读人数
- - - - link_comments 评论数
- - - - link_edit 编辑
- - - clear
我们首先获取每一个- article_list,然后通过循环获取每个list_item article_item中的信息

细节

  • 使用bs4 解析网页,减少了工作量
  • a标签中的href使用 [‘href’] 获取
  • 对于span中含有a标签+text的,获取text直接用正则进行获取
  • 注意编码:1. 网页获取内容的编码 1. py文件的默认编码

代码分解

获取具体信息的方法

  • 1.获取article_list
        html = BeautifulSoup(response.text, 'html.parser')
        blog_list = html.select('.list_item_new > #article_list > .article_item')
  • 2.获取article_title 以及文章链接
            blog_title = house.select('.link_title > a')[0].string.encode('utf-8')
            blog_title = str(blog_title.replace(' ', '').replace('\n', ''))
            blog_url = urljoin(ADDR, house.select('.link_title > a')[0]['href'])
  • 3.获取 link_view 阅读人数 and link_comments 评论数
            link_view = str(house.select('.article_manage > .link_view')[0])
            blog_people = re.search(r'\d+', re.search(r'\(\d+\)', link_view).group()).group()
            # 先获取span然后实用正则提取阅读人数

            link_comment = str(house.select('.article_manage > .link_comments')[0])
            blog_comment = re.search(r'\d+', re.search(r'\(\d+\)', link_comment).group()).group()
            # 先获取span然后实用正则提取评论数

写入CSV文件

import csv
# 引入类库
with open('info.csv', 'wb') as f:
    csv_writer = csv.writer(f, delimiter=',')
    # 创建-使用with,无需手动关闭
    csv_writer.writerow(['blog_title', 'blog_url', 'blog_people', 'blog_comment'])
    # 写入内列名,便于pandas使用(按行写入)

csv_writer.writerow([blog_title, blog_url,blog_people, blog_comment])
#按行写入 我们爬取的信息

CODE

真·CODE

初代机参考:http://blog.csdn.net/fontthrone/article/details/75287311

# - * - coding: utf - 8 -*-
#
# 作者:田丰(FontTian)
# 创建时间:'2017/8/5'
# 邮箱:fonttian@Gmaill.com
# CSDN:http://blog.csdn.net/fontthrone
#
from bs4 import BeautifulSoup
from urlparse import urljoin
import requests
import csv
import re
import sys
reload(sys)
sys.setdefaultencoding('utf8')

# account = str(raw_input('输入csdn的登录账号:'))
account = 'fontthrone'

URL = 'http://blog.csdn.net/' + account

ADDR = 'http://blog.csdn.net/'
start_page = 0

with open('info.csv', 'wb') as f:
    csv_writer = csv.writer(f, delimiter=',')
    csv_writer.writerow(['blog_title', 'blog_url', 'blog_people', 'blog_comment'])
    print 'starting'
    while True:
        start_page += 1
        URL2 = URL + '/article/list/' + str(start_page)
        print URL2
        response = requests.get(URL2)
        html = BeautifulSoup(response.text, 'html.parser')
        # print html
        blog_list = html.select('.list_item_new > #article_list > .article_item')
        # check blog_list
        if not blog_list:
            print 'No blog_list'
            break
        for house in blog_list:
            blog_title = house.select('.link_title > a')[0].string.encode('utf-8')
            blog_title = str(blog_title.replace(' ', '').replace('\n', ''))

            link_view = str(house.select('.article_manage > .link_view')[0])
            blog_people = re.search(r'\d+', re.search(r'\(\d+\)', link_view).group()).group()

            link_comment = str(house.select('.article_manage > .link_comments')[0])
            blog_comment = re.search(r'\d+', re.search(r'\(\d+\)', link_comment).group()).group()

            blog_url = urljoin(ADDR, house.select('.link_title > a')[0]['href'])

            csv_writer.writerow([blog_title, blog_url,blog_people, blog_comment])
    print 'ending'

运行效果

运行效果

获取的csv文件

与pandas结合,升级刷访问量脚本初代机

说明

本代码仅供学习参考,不建议使用该脚本进行访问量的刷新

CODE

# blog_url =[
#     'http://blog.csdn.net/fontthrone/article/details/76675684',
#     'http://blog.csdn.net/FontThrone/article/details/76652772',
#     'http://blog.csdn.net/FontThrone/article/details/76652762',
#     'http://blog.csdn.net/FontThrone/article/details/76652753',
#     'http://blog.csdn.net/FontThrone/article/details/76652257',
#     'http://blog.csdn.net/fontthrone/article/details/76735591',
#     'http://blog.csdn.net/FontThrone/article/details/76728083',
#     'http://blog.csdn.net/FontThrone/article/details/76727466',
#     'http://blog.csdn.net/FontThrone/article/details/76727412',
#     'http://blog.csdn.net/FontThrone/article/details/76695555',
#     'http://blog.csdn.net/fontthrone/article/details/75805923',
# ]

import pandas as pd
df1 = pd.DataFrame(pd.read_csv('info.csv'))

blog_url = list(df1['blog_url'])

补充

  • 一代半有了,二代机还会远吗?
  • 各位老铁,一波666走起,(滑稽.jpg)
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:249224次
    • 积分:3039
    • 等级:
    • 排名:第12536名
    • 原创:93篇
    • 转载:20篇
    • 译文:2篇
    • 评论:33条
    博客专栏
    最新评论