第一个Python程序——博客自动访问脚本

转载 2015年11月18日 15:02:03

第一个Python程序——博客自动访问脚本

动机

今天有朋友写信说他认为自己的wordpress博客内显示的访问统计信息不正常,希望我能为他制造一些访问信息,供他对比。朋友提出的请求是在短时间内快速打开100个不同的博客页面,以便他从产生的访问量变化中理解博客访问数据。
本人作为一个搞计算机的人,有把任何重复性劳动自动化的冲动,所以虽然点开100个网页的任务手工做并不复杂,但还是从一开始就彻底否定了。刚好想学Python很久了,于是就拿这次的小机会来学习一把,顺便记录下第一次的Python学习成果。
本文使用Python 2.7.3实现了一个自动访问博客的脚本,涉及以下技术点:
语言基础
容器(线性表、字典)
逻辑分支、循环
控制台格式化输出
HTTP客户端网络编程
处理HTTP请求
使用HTTP代理服务器
Python正则表达式
总览

自动访问博客页面这个操作实际上和网络爬虫做的事情差不多,基本流程如下:

图1 博客自动访问器工作原理
给访问器一个开始位置(例如博客首页URL)
访问器将URL指向的网页爬回(爬回网页这个操作本身相当于在浏览器中打开页面)
2中爬回的网页交给分析器分析。分析器分析后提取出其中的URL加入待访问URL列表,即URL库。然后从URL库中取出下一个要访问的页面URL
循环2、3步,直到达到某一终止条件程序退出
刚开始编程时,我们什么都没有,只有一个博客首页的URL。紧跟着这个URL需要解决的问题就是如何编程爬取URL指向的页面。爬取到了页面,才能算是访问了博客,也才能获得页面的内容,从而提取更多的URL,进行更进一步的爬取。
这样一来就带来了如何根据URL获取页面信息的问题,要解决这个问题,需要用到HTTP客户端编程,这也是接下来一节解决的问题。
urllib2:HTTP客户端编程

Python中可以实现HTTP客户端编程的库有好几个,例如httplib, urllib, urllib2等。使用urllib2是因为它功能强大,使用简单,并且可以很容易地使用HTTP代理。
使用urllib2创建一个HTTP连接并获取页面非常简单,只需要3步:
import urllib2
opener = urllib2.build_opener()
file = opener.open(url)
content = file.read()
content即为HTTP请求响应的报文体,即网页的HTML代码。如果需要设置代理,在调用build_opener()时传入一个参数即可:
opener =urllib2.build_opener(urllib2.ProxyHandler({‘http’: “localhost:8580”}))
ProxyHandler函数接受一个字典类型的参数,其中key为协议名称,value为host与端口号。也支持带验证的代理,更多细节见官方文档。
接下来要解决的问题就是从页面中分离出URL. 这就需要正则表达式。
正则表达式

正则表达式相关的函数位于Python的re模块中,使用前需import re
findall函数返回字符串中所有满足给定正则式的子串:
aelems = re.findall(‘‘, content)
findall的第一个参数是正则式,第二个参数是字符串,返回值是字符串数组,包含content中所有满足给定正则式的子串。上述代码返回所有以
结尾的子串,即所有的标签。对网页HTML代码应用此过滤可获取所有超链接。如果需要进一步提高过滤的精确度,例如只需要链接指向本博客(假设当前博客是http://myblog.wordpress.com),且URL为绝对地址,则可以使用更精确的正则式,例如’‘.
获取到了
标签,就需要进一步提取其中的URL,这里推荐match函数。match函数的作用是将满足指定正则式的子串的其中一部分返回。例如对于以下字符串(假设存于aelem元素中):
RSS Feed
如果需要提取出其中的URL(即http://myblog.wordpress.com/rss),则可以如下的match调用:
matches = re.match(‘

0号元素为’

这里的正则式对应改变

matches = re.match(‘href=”(.*)”’, aelem)
当然,这种方法不能保证100%正确。最好的做法应该还是用HTML Parser. 这里懒得搞了。
提取出URL之后,就要将URL加入URL库。为了避免重复访问,需要对URL去重复,这就引出了下一节中字典的使用。
字典

字典,一种存储key-value对的关联容器,对应C++里的stl::hash_map,Java里的java.util.HashMap以及C#中的Dictionary. 由于key具有唯一性,因此字典可以用来去重。当然,也可以用set,很多set就是将map简单包装一下,例如java.util.HashSet和stl::hash_set.
要使用字典构建一个URL库,首先我们需要考虑一下URL库需要做什么:
URL去重:URL从HTML代码中抽取出来后,如果是已经加入URL库的URL,则不加入URL库
取新URL:从URL库中取一个还没访问过的URL进行下一次爬取
为了同时做到1、2,有以下两种直观的做法:
用一个url字典,其中URL作为key,是否已访问(True/False)作为value;
用两个字典,其中一个用来去重,另一个用来存放还没访问过的URL.
这里简单起见,用的是第2种方法:

起始URL

starturl = ‘http://myblog.wordpress.com/‘;

全部URL,用于URL去重

totalurl[starturl] = True

未访问URL,用于维护未访问URL列表

unusedurl[starturl] = True

中间省略若干代码

取下一个未用的URL

nexturl = unusedurl.keys()[0];

将该URL从unusedurl中删除

del unusedurl[nexturl]

获取页面内容

content = get_file_content(nexturl)

抽取页面中的URL

urllist = extract_url(content)

对于抽取出的每个URL

for url in urllist:

如果该URL不存在于totalurl中

ifnot totalurl.has_key(url):

那么它一定是不重复的,将其加入totalurl中

    totalurl[url] = True

并且加入为访问列表中

    unusedurl[url] = True

结束

最后贴上完整的代码:

import urllib2
import time
import re

totalurl = {}
unusedurl = {}

生成ProxyHandler对象

def get_proxy():
return urllib2.ProxyHandler({‘http’: “localhost:8580”})

生成指向代理的url_opener

def get_proxy_http_opener(proxy):
return urllib2.build_opener(proxy)

获取指定URL指向的网页,调用了前两个函数

def get_file_content(url):
opener = get_proxy_http_opener(get_proxy())
content = opener.open(url).read()
opener.close()

为方便正则匹配,将其中的换行符消掉

return content.replace(‘\r’, ”).replace(‘\n’, ”)

根据网页HTML代码抽取网页标题

def extract_title(content):
titleelem = re.findall(‘.*<\/title>’, content)[0]
return re.match(‘(.*)<\/title>’, titleelem).group(1).strip()

根据网页HTML代码抽取所有标签中的URL

def extract_url(content):
urllist = []
aelems = re.findall(‘’, content)
for aelem in aelems:
splits = aelem.split(”)
if len(splits) != 1:
aelem = splits[1]

    matches = re.match('href="(.*)"', aelem)

if matches isnot None:
url = matches.group(1)
if re.match(‘http:\/\/myblog.wordpress.com.*’, url) isnot None:
urllist.append(url)
return urllist

获取字符串格式的时间

def get_localtime():
return time.strftime(“%H:%M:%S”, time.localtime())

主函数

def begin_access():

starturl = 'http://myblog.wordpress.com/';
totalurl[starturl] = True
unusedurl[starturl] = True

print’seq\ttime\ttitle\turl’

i = 0

while i < 150:

    nexturl = unusedurl.keys()[0];

del unusedurl[nexturl]
content = get_file_content(nexturl)

    title = extract_title(content)
    urllist = extract_url(content)

for url in urllist:
ifnot totalurl.has_key(url):
totalurl[url] = True
unusedurl[url] = True

print’%d\t%s\t%s\t%s’ %(i, get_localtime(), title, nexturl)

    i = i + 1
    time.sleep(2)

调用主函数

begin_access()

用python访问URL

用python访问URL 访问方式 异常处理用python访问URL用python访问URL,比如需要访问http://www.oschina.net这个URL,其实就是构造一个合法的HTTP请求,再...
  • wang725
  • wang725
  • 2016年02月26日 09:46
  • 3541

Python自动化脚本【1】url提取及自动打开页面

一个python自动化脚本,读取csv中的url并保存每一个输入值为type,输出纪录有type的csv...

"暗黑话题":如何给自己的私活项目标价

今天应网友的要求,我们来讲一个“暗黑话题”。大家也可以在听完后提出自己的一些需求。如果我们觉得是有意思的、有逼格的、有典型性的,那么说不定我们就会专门你的需求定制一期话题。   很早之前讲过我们“怎么...

Python刷csdn访问量

正所周知,Python是一门很强大的语言,尤其在抓取数据方面。既然能抓取数据,这就说明可以向网站发送请求。所以基于Python语言,借鉴网上的一些资料,大体实现了小规模的访问量的提升。废话少说,我直接...

【Python脚本】-爬虫得到CSDN博客的文章访问量和评论量

对于CSDN博客,我们比较关注的就是文章的访问量和评论量。但是当文章多了之后,我们想看每篇文章的访问量变得很费劲。通过爬虫,我们可以把每篇博客的基本信息都能得到。之后,可以再进行进一步的统计分析。脚本...

[TPYBoard-Micropython之会python就能做硬件 1] 运行第一个脚本——点亮LED

学习如何运行python脚本,如何点亮led灯。
  • mybag1
  • mybag1
  • 2017年02月11日 16:35
  • 598

Python 爬虫3——第一个爬虫脚本的创建

在进行真正的爬虫工程创建之前,我们先要明确我们所要操作的对象是什么?完成所有操作之后要获取到的数据或信息是什么?         首先是第一个问题:操作对象,爬虫全称是网络爬虫,顾名思义,它所操作的对...

第一个Python爬虫,爬取某个新浪博客所有文章并保存为doc文档

最近开始学习Python的爬虫,本来想着从基本的各种语法开始学习的但是在逛知乎的过程中发现了一个帖子是就是关于如何入门Python爬虫,里面有一个回答,https://www.zhihu.com/qu...

正式开始写博客了-【第一个程序-扫雷】

一款基于JAVA Swing的扫雷游戏

黑马程序员——Objective-C程序设计(第4版)学习笔记之17-内存管理和自动引用计数——黑马 IOS 技术博客

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 内存管理关心的是清理(回收)不用的内存,以便内存能够再次利用。 ...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:第一个Python程序——博客自动访问脚本
举报原因:
原因补充:

(最多只允许输入30个字)