最新Python进阶(十八)Python3爬虫小试牛刀(1)

下一页 尾页

所以我们可以用下面的正则表达式来匹配，如果匹配成功就说明当前页不是最后一页，否则当前页就是最后一页。

尾页

### 六、编程实现


下面是摘自的Python2版完整的代码实现：

#!usr/bin/python

-*- coding: utf-8 -*-

‘’’
Created on 2016年2月13日
@author: ***
使用python爬取csdn个人博客的访问量，主要用来练手
‘’’
import urllib2
import re
#当前的博客列表页号
page_num = 1
#不是最后列表的一页
notLast = 1
account = str(raw_input(‘输入csdn的登录账号:’))
while notLast:
#首页地址
baseUrl = ‘http://blog.csdn.net/’+account
#连接页号，组成爬取的页面网址
myUrl = baseUrl+‘/article/list/’+str(page_num)
#伪装成浏览器访问，直接访问的话csdn会拒绝
user_agent = ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)’
headers = {‘User-Agent’:user_agent}
#构造请求
req = urllib2.Request(myUrl,headers=headers)
#访问页面
myResponse = urllib2.urlopen(req)
myPage = myResponse.read()
#在页面中查找是否存在‘尾页’这一个标签来判断是否为最后一页
notLast = re.findall(‘尾页’,myPage,re.S)
print ‘---------------第%d页-------------’ % (page_num,)
#利用正则表达式来获取博客的标题
title = re.findall(‘(.*?)’,myPage,re.S)
titleList=[]
for items in title:
titleList.append(str(items).lstrip().rstrip())
#利用正则表达式获取博客的访问量
view = re.findall(‘<span class=“link_view”.*?>阅读((.*?))’,myPage,re.S)
viewList=[]
for items in view:
viewList.append(str(items).lstrip().rstrip())
#将结果输出
for n in range(len(titleList)):
print ‘访问量:%s 标题:%s’ % (viewList[n].zfill(4),titleList[n])
#页号加1
page_num = page_num + 1

由于自己现在的IDE为Python3，且自己在学习Python3。故在此基础上实现Python2项目的升级改造，并在改造过程中发现版本之间的差异性。以下为Python3版本下的爬虫代码。

#!usr/bin/python

-*- coding: utf-8 -*-

‘’’
Created on 2017年3月19日
@author: SUN HuaQiang
目的：使用python爬取csdn个人博客的访问量，主要用来练手Python爬虫
收获：1.了解Python爬虫的基本过程
2.在Python2的基础上实现Python3,通过对比发现版本之间的差异
‘’’
import urllib.request
import urllib
import re

#当前的博客列表页号
page_num = 1
#初始化最后列表的页码
notLast = 1
account = str(input(‘请输入csdn的登录账号:’))
while notLast:
#首页地址
baseUrl = ‘http://blog.csdn.net/’ + account
#连接页号，组成爬取的页面网址
myUrl = baseUrl+‘/article/list/’ + str(page_num)
#伪装成浏览器访问，直接访问的话csdn会拒绝
user_agent = ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)’
headers = {‘User-Agent’:user_agent}
#构造请求
req = urllib.request.Request(myUrl,headers=headers)
#访问页面
myResponse = urllib.request.urlopen(req)
#python3中urllib.read返回的是bytes对象，不是string,得把它转换成string对象，用bytes.decode方法
myPage = myResponse.read().decode()
#在页面中查找是否存在‘尾页’这一个标签来判断是否为最后一页
notLast = re.findall(‘尾页’, myPage, re.S)
print (‘-----------第%d页--------------’ % (page_num,))
#利用正则表达式来获取博客的标题
title = re.findall(‘(.*?)’,myPage,re.S)
titleList=[]
for items in title:
titleList.append(str(items).lstrip().rstrip())
#利用正则表达式获取博客的访问量
view = re.findall(‘<span class=“link_view”.*?>阅读((.*?))’,myPage,re.S)
viewList=[]
for items in view:
viewList.append(str(items).lstrip().rstrip())
#将结果输出
for n in range(len(titleList)):
print (‘访问量:%s 标题:%s’ % (viewList[n].zfill(4),titleList[n]))
#页号加1
page_num = page_num + 1

下面是部分结果：  
 ![这里写图片描述](https://img-blog.csdnimg.cn/img_convert/49ec2747fe32017a5fe7986e49c66d54.png)  
 瑕疵：通过爬虫结果可以发现，在CSDN中，对于设置为指定的文章，爬取结果存在一定的问题，还包含部分css代码。


改善：通过更改获取博文标题的正则表达式，即可解决此问题。  
 ![这里写图片描述](https://img-blog.csdnimg.cn/img_convert/8e2c6d29ea22c15ccc21b9830489965a.png)  
 ![这里写图片描述](https://img-blog.csdnimg.cn/img_convert/0f160d2eefea220f5cb16b76c4622a01.png)  
 ![这里写图片描述](https://img-blog.csdnimg.cn/img_convert/a6820f5fefeb8ef36f879e5ae94f9317.png)想法是好的，但是直接利用正则实现标题获取时遇到了困难，暂时并未实现理想结果。


遂改变思路，将利用正则获取后的字符串再进行二次正则，即替换操作，语句如下：

for items in title:
titleList.append(re.sub(‘.*?’, ‘’, str(items).lstrip().rstrip()))

更改后的结果如下。并同时为每篇博文进行了编号。  
 ![这里写图片描述](https://img-blog.csdnimg.cn/img_convert/022e519217cfb14d7f7a8634dfe81773.png)  
 同时，自己还希望获取到的信息包括：访问总量、积分、等级、排名、粉丝、原创、转载、译文、评论等数据信息。


以上信息在网页源码中如下所示。

• 访问：459285次
• 积分：9214
• 等级：
  积分：9214
• 排名：第1639名

• 原创：425篇
• 转载：44篇
• 译文：2篇
• 评论：108条

则获取访问信息的正则表达式为：

#利用正则表达式获取博客信息
sumVisit = re.findall(‘

• 访问：(.*?)
• ’, myPage, re.S)
  credit = re.findall(‘
• 积分：(.*?)
• ’, myPage, re.S)
  rank = re.findall(‘
• 排名：(.*?)
• ’, myPage, re.S)
  grade = re.findall(‘
• .*?.*?
• ’, test3, re.S)
  original = re.findall(‘
• 原创：(.*?)
• ’, myPage, re.S)
  reprint = re.findall(‘
• 转载：(.*?)
• ’, myPage, re.S)
  trans = re.findall(‘
• 译文：(.*?)
• ’, myPage, re.S)
  comment = re.findall(‘
• 评论：(.*?)
• ’, myPage, re.S)

  
  ![这里写图片描述](https://img-blog.csdnimg.cn/img_convert/09d5b9cb7a0c87e79fde4ad9097ec700.png)  
   根据网页源码，可得出其正则表达式为
  
  
  
  

  staData = re.findall(‘

• (.*?)(.*?)
• ’, myPage, re.S)

  for i in staData:
  print(i[0] + ‘:’ + i[1].lstrip(‘(’).rstrip(‘)’)+‘篇’)

  
  经过以上操作，得到的用户Blog信息如下图所示：  
   ![这里写图片描述](https://img-blog.csdnimg.cn/img_convert/142df102b692b59c69129f14a27e99db.png)  
   最终遇到的问题是：有关粉丝数的爬取遇到了问题，因为前面数据信息的获取不需要用户登录，而用户粉丝数是在用户已登录情景下获取的，故需要将用户登录信息添加进去。犯愁~
  
  
  PS:**论文盲审送回来了，自己这段时间要用来修改论文了，后面的博客后面再说吧~**
  
  
  ### 七、注意事项
  
  
  * `urllib2`在3.5中为`urllib.request`；
  * `raw_input()`在3.5中为`input()`；
  * python3中`urllib.read()`返回的是bytes对象，不是string,得把它转换成string对象，用`bytes.decode()`方法；
  * re.S意在使.匹配包括换行在内的所有字符；
  * python3对`urllib`和`urllib2`进行了重构，拆分成了`urllib.request`,`urllib.response,urllib.parse,urllib.error`等几个子模块，这样的架构从逻辑和结构上说更加合理。`urljoin`现在对应的函数是`urllib.parse.urljoin`。
  
  
  
  ![在这里插入图片描述](https://img-blog.csdnimg.cn/20210511152217670.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaWd1aWd1,size_16,color_FFFFFF,t_70)
  
  **感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：**
  
  
  
  ①　2000多本Python电子书（主流和经典的书籍应该都有了）
  
  ②　Python标准库资料（最全中文版）
  
  ③　项目源码（四五十个有趣且经典的练手项目及源码）
  
  ④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）
  
  ⑤ Python学习路线图（告别不入流的学习）
  
  
  
  
  **网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
  
  **[需要这份系统化学习资料的朋友，可以戳这里无偿获取](https://bbs.csdn.net/topics/618317507)**
  
  **一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**