2024年最新Python进阶(十八)Python3爬虫小试牛刀，2024年最新分享面试

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

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，可以戳这里获取

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！

<a href="/sunhuaqiang1/article/list/2">下一页</a> <a href="/sunhuaqiang1/article/list/7">尾页</a>

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。

<a href=".\*?">尾页</a>

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('<a href=".\*?">尾页</a>',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('<span class="link\_title"><a href=".\*?">(.\*?)</a></span>',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".\*?><a href=".\*?" title="阅读次数">阅读</a>\((.\*?)\)</span>',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('<a href=".\*?">尾页</a>', 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('<span class="link\_title"><a href=".\*?">(.\*?)</a></span>',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".\*?><a href=".\*?" title="阅读次数">阅读</a>\((.\*?)\)</span>',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：

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。


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('<font color="red">.\*?</font>', '', 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。

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。

<ul id="blog\_rank"> 
	<li>访问：<span>459285次</span></li> 
	<li>积分：<span>9214</span> </li> 
	<li >等级： <span style="position:relative;display:inline-block;z-index:1" > 
	<img src="http://c.csdnimg.cn/jifen/images/xunzhang/jianzhang/blog6.png" alt="" style="vertical-align: middle;" id="leveImg"> 
	<div id="smallTittle" style=" position: absolute; left: -24px; top: 25px; text-align: center; width: 101px; height: 32px; background-color: #fff; line-height: 32px; border: 2px #DDDDDD solid; box-shadow: 0px 2px 2px rgba (0,0,0,0.1); display: none; z-index: 999;"> 
	<div style="left: 42%; top: -8px; position: absolute; width: 0; height: 0; border-left: 10px solid transparent; border-right: 10px solid transparent; border-bottom: 8px solid #EAEAEA;"></div> 
	积分：9214 </div> 
	</span> </li> 
	<li>排名：<span>第1639名</span></li> 
	</ul> 
	<ul id="blog\_statistics"> 
	<li>原创：<span>425篇</span></li> 
	<li>转载：<span>44篇</span></li> 
	<li>译文：<span>2篇</span></li> 
	<li>评论：<span>108条</span></li> 
	</ul> 

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('<li>访问：<span>(.\*?)</span></li>', myPage, re.S)
credit = re.findall('<li>积分：<span>(.\*?)</span> </li>', myPage, re.S)
rank = re.findall('<li>排名：<span>(.\*?)</span></li>', myPage, re.S)
grade = re.findall('<li >.\*?<img src=.\*?/blog(.\*?).png.\*?>.\*?</li>', test3, re.S)
original = re.findall('<li>原创：<span>(.\*?)</span></li>', myPage, re.S)
reprint = re.findall('<li>转载：<span>(.\*?)</span></li>', myPage, re.S)
trans = re.findall('<li>译文：<span>(.\*?)</span></li>', myPage, re.S)
comment = re.findall('<li>评论：<span>(.\*?)</span></li>', myPage, re.S)

根据网页源码，可得出其正则表达式为

staData = re.findall('<li><a href=.\*?>(.\*?)</a><span>(.\*?)</span></li>', 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：

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。

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

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，可以戳这里获取

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！