python 简书_python爬取简书网文章的方法

python爬取简书网文章的方法

发布时间：2020-06-30 14:37:08

来源：亿速云

阅读：100

作者：清晨

这篇文章主要介绍python爬取简书网文章的方法，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！

python爬取简书网文章的步骤：

1、准备工作，创建scrapy爬虫，建立数据库和表# 打开 CMD 或者终端到一个指定目录

# 新建一个项目

scrapy startproject jianshu_spider

cd jianshu_spider

# 创建一个爬虫

scrapy genspider -t crawl jianshu "jianshu.com"

2、爬取思路，检查网页的所有href属性，获取文章链接地址

3、代码实现，解析主页网址获取文章链接，构建item模型保存数据，将获取的数据保存到数据库中

第一步是指定开始爬取的地址和爬取规则。allowed_domains = ['jianshu.com']

start_urls = ['https://www.jianshu.com/']

rules = (        # 文章id是有12位小写字母或者数字0-9构成

Rule(LinkExtractor(allow=r'.*/p/[0-9a-z]{12}.*'), callback='parse_detail', follow=True),    )

第二步是拿到下载器下载后的数据 Response，利用 Xpath 语法获取有用的数据。这里可以使用「 Scrapy shell url 」去测试数据是否获取正确。

# 获取需要的数据title = response.xpath('//h2[@class="title"]/text()').get()

author = response.xpath('//div[@class="info"]/span/a/text()').get()

avatar = self.HTTPS + response.xpath('//div[@class="author"]/a/img/@src').get()

pub_time = response.xpath('//span[@class="publish-time"]/text()').get().replace("*", "")

current_url = response.url real_url = current_url.split(r"?")[0]

article_id = real_url.split(r'/')[-1]

content = response.xpath('//div[@class="show-content"]').get()

然后构建 Item 模型用来保存数据。import scrapy

# 文章详情Itemclass ArticleItem(scrapy.Item):

title = scrapy.Field()

content = scrapy.Field()

# 文章id

article_id = scrapy.Field()

# 原始的url

origin_url = scrapy.Field()

# 作者

author = scrapy.Field()

# 头像

avatar = scrapy.Field()

# 发布时间

pubtime = scrapy.Field()

第三步是将获取的数据通过 Pipline 保存到数据库中。# 数据库连接属性

db_params = {

'host': '127.0.0.1',

'port': 3306,

'user': 'root',

'password': 'root',

'database': 'jianshu',

'charset': 'utf8'

}

# 数据库【连接对象】

self.conn = pymysql.connect(**db_params)# 执行 sql 语句

self.cursor.execute(self._sql,(item['title'],item['content'],item['author'],item['avatar'],item['pubtime'],item['article_id'],item['origin_url']))

# 插入到数据库中

self.conn.commit()

# 关闭游标资源

self.cursor.close()

执行结果如下：

以上是python爬取简书网文章的方法的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注亿速云行业资讯频道！