python php csdn_Python爬虫Csdn系列II

Python爬虫Csdn系列II

By 白熊花田(http://blog.csdn.net/whiterbear) 转载需注明出处，谢谢。

说明：

在上1篇文章中，我们已知道了只要将程序假装成阅读器就可以访问csdn网页。在这篇文章中，我们将想法获得某个csdn用户的所有文章的链接。

分析：

打开1个某1个的csdn用户的的专栏，可以选择目录视图(如：http://blog.csdn.net/whiterbear?viewmode=contents)和摘要视图(比如：http://blog.csdn.net/whiterbear?viewmode=list)。两个视图都可以显示用户的文章列表。

注意：这里我们选择摘要视图，不要选择目录视图，文章最后会解释为何。

打开摘要视图查看网页源代码，我们发现，在id为’article_list’的div中，每个子div都代表着1篇文章，如图：

每个子div中都包括1篇文章的标题，链接，浏览次数，是不是为原创，评论数等信息，我们只需要取出标题和链接就够了。如何取出不难，学过正则表达式应当都会。我们再使用个数组将界面中所有的文章名及其链接保存便可。

这里需要注意的是，如果博客有分页怎样办，我们还需要获得分页的下1页中的文章的链接？

我尝试了两种方法，第1种方法是设定1个article_list字典，字典成员为‘下1页链接和是不是已被访问标识键值对’，初始放入首页链接，每处理1个界面时将该链接的值设为访问，以后查找下1页的链接，如果其不在字典里，就将其加入并设访问标识为0。

比如初始字典为article_list={‘/pongba/article/list/1’:False}，在处理/pongba/article/list/1这个界面时设值为True，此时又发现了/pongba/article/list/2和/pongba/article/list/3。此时，我们判断字典(has_key())中是没有这两个键的，就加入，并设其值为False。以后遍历(keys())字典，如果有值为0的链接，则访问该链接，重复。

第2种方法：在分页的html代码中给出了分页的页数，我们提取出页数pagenum，结合/pongba/article/list/num，num为页数，值为[1,pagenum]。通过这个链接便可取出该作者的所有文章了。

我代码中采取了第2种方法，第1种方法试了，也能够。

代码介绍：

CsdnArticle类(article.py)，封装成1篇文章必须的东西，便于保存和访问1个文章的属性。

我重写了__str__()方法，便于输入。

#-*- coding:utf⑻ -*-

class CsdnArticle(object):

def __init__(self):

#作者

self.author = ''

#博客文章名

self.title = ''

#博客链接

self.href = ''

#博客内容

self.body = ''

#字符串化

def __str__(self):

return self.author + '' + self.title + '' + self.href + '' + self.body

CsdnCrawler类。封装了爬取csdn博客所有链接的操作。

#-*- coding:utf⑻ -*-

import sys

import urllib

import urllib2

import re

from bs4 import BeautifulSoup

from article import CsdnArticle

reload(sys)

sys.setdefaultencoding('utf⑻')

class CsdnCrawler(object):

#默许访问我的博客

def __init__(self, author = 'whiterbear'):

self.author = author

self.domain = 'http://blog.csdn.net/'

self.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.57 Safari/537.36'}

#存储文章对象数组

self.articles = []

#给定url，得到所有的文章lists

def getArticleLists(self, url= None):

req = urllib2.Request(url, headers=self.headers)

response = urllib2.urlopen(req)

soup = BeautifulSoup(''.join(response.read()))

listitem = soup.find(id='article_list').find_all(attrs={'class':r'list_item article_item'})

#链接的正则表达式，可以匹配链接

href_regex = r'href="(.*?)"'

for i,item in enumerate(listitem):

enitem = item.find(attrs={'class':'link_title'}).contents[0].contents[0]

href = re.search(href_regex,str(item.find(attrs={'class':'link_title'}).contents[0])).group(1)

#我们将获得的1篇文章信息封装成1个对象，然后存入数组中

art = CsdnArticle()

art.author = self.author

art.title = enitem.lstrip()

art.href = (self.domain + href[1:]).lstrip()

self.articles.append(art)

def getPageLists(self, url= None):

url = 'http://blog.csdn.net/%s?viewmode=list'%self.author

req = urllib2.Request(url, headers=self.headers)

response = urllib2.urlopen(req)

soup = BeautifulSoup(''.join(response.read()))

num_regex = '[1⑼]d*'

pagelist = soup.find(id='papelist')

self.getArticleLists(url)

#如果该作者博客多，有分页的话

if pagelist:

pagenum = int(re.findall(num_regex, pagelist.contents[1].contents[0])[1])

for i in range(2, pagenum + 1):

self.getArticleLists(self.domain + self.author + '/article/list/%s'%i)

def mytest(self):

for i,url in enumerate(self.articles):

print i,url

def main():

#可以将pongba换成你的博客名，也能够不填，为空，这样默许是访问我的博客

csdn = CsdnCrawler(author='pongba')#'pongba'

csdn.getPageLists()

csdn.mytest()

if __name__ == '__main__':

main()

结果：

输出了126条数据。

选择摘要视图的解释：当某用户文章多有分页时，访问目录视图界面中的下1页链接时会跳转到摘要视图的下1页链接中。我这么说你可能不太明白，举个例子吧。

我使用刘未鹏学长(我崇拜的)的博客为例子吧，地址：http://blog.csdn.net/pongba。他的文章很多，有分页。选择他界面中的目录视图后，翻到分页链接出。以下图：

其中的分页链接值为：

可以看出下1页的链接为：http://blog.csdn.net +/pongba/article/list/2.

当我们在阅读器输入这个网址回车后是出现这个结果的：

可以看到第1篇文章为“斯托克代尔悖论与底线思考法”

但是，当我们使用程序打开的结果却是：

而这个结果却和摘要视图的第2页结果1样：

所以，如果你试图用程序使用http://blog.csdn.net/pongba/article/list/2这个链接访问，得到的结果却其实不是目录视图的结果。我没能理解为何，纠结了好久程序为何出错了，后来换成摘要视图了。

未完待续。