简书python爬虫权威_python爬虫入门-简书七日热门文章数据

前言

以我的理解,写一个爬虫分为以下几个步骤

分析目标网站

访问单个网页地址,获取网页源代码

提取数据

保存数据

抓取剩余网页

以下开始正题

1. 分析目标网站

目标网站为简书七日热门文章 http://www.jianshu.com/trending/weekly 。 提取数据为用户,标题,阅读量,评论量,获赞量,打赏数

提取目标

用chrome tools 查看这个网页,是用ajax加载的,分析规律,发现url为 http://www.jianshu.com/trending/weekly?page=1 , page=1 至 page=5.

url规律

2. 访问单个网页地址,获取网页源代码

设置url

url = 'http://www.jianshu.com/trending/weekly?page=1'

设置头部信息(用来伪装请求,本案例中可省略)

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36'}

request = urllib2.Request(url=url, headers=headers)

发送请求和接收响应

html = urllib2.urlopen(request)

3. 从源代码中提取数据

# 先用BeautifulSoup转换一下,以便之后解析

bsObj = BeautifulSoup(html.read(), 'lxml')

抓出每篇文章的源代码,并提取目标数据(写的很差劲,just work)

文章源码

items = bsObj.findAll("div", {"class": "content"})

for item in items:

author = item.find("a", {"class": "blue-link"}).get_text()

title = item.find("a", {"class": "title"}).get_text()

other = item.find("div", {"class": "meta"}).get_text()

pattern = re.compile('(\d+)')

content = re.findall(pattern, other)

view = content[0]

comment = content[1]

like = content[2]

money = content[3] if (len(content) == 4) else 0 # 非常不严谨,暂时这么做

4. 保存数据

with open('articlesOfSevenDays.csv', 'a') as resultFile:

wr = csv.writer(resultFile, dialect= 'excel')

wr.writerow([author,title,view,comment,like,money])

因为遇到编码问题,所以添加以下代码

import sys

reload(sys)

sys.setdefaultencoding('utf-8')

5. 抓取剩余网页

for i in range(1,6):

print "开始抓取第{}页...".format(i)

url = 'http://www.jianshu.com/trending/weekly?page={}'. format(i)

# 重复之前提取数据和保存数据的代码

完整的代码

#!/usr/bin/env python

# coding=utf-8

from urllib.request import Request,urlopen

from bs4 import BeautifulSoup

from urllib.error import HTTPError

import re

import csv

import os

def getHTML(i):

url = 'http://www.jianshu.com/trending/weekly?page={}'.format(i)

headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36'}

try:

request = Request(url=url, headers=headers)

html = urlopen(request)

bsObj = BeautifulSoup(html.read(), 'lxml')

items = bsObj.findAll("div", {"class": "content"})

except HTTPError as e:

print(e)

exit()

return items

def getArticleInfo(items):

articleInfo= []

for item in items:

author = item.find("a", {"class": "blue-link"}).get_text()

title = item.find("a", {"class": "title"}).get_text()

other = item.find("div", {"class": "meta"}).get_text()

pattern = re.compile('(\d+)')

content = re.findall(pattern, other)

view = content[0]

comment = content[1]

like = content[2]

money = content[3] if (len(content) == 4) else 0 # 不太严谨

articleInfo.append([author, title, view, comment, like, money])

return articleInfo

dir = "../jianshu/"

if not os.path.exists(dir):

os.makedirs(dir)

csvFile = open("../jianshu/jianshuSevenDaysArticles.csv","wt",encoding='utf-8')

writer = csv.writer(csvFile)

writer.writerow(("author", "title", "view", "comment", "like", "money"))

try:

for i in range(1, 6):

items = getHTML(i)

articleInfo = getArticleInfo(items)

for item in articleInfo:

writer.writerow(item)

finally:

csvFile.close()

抓取结果

image.png

总结

页面解析水平不好,接下来要学习:正则表达式,beautifulSoup,lxml

遇到的编码问题待学习

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
资源包主要包含以下内容: ASP项目源码:每个资源包中都包含完整的ASP项目源码,这些源码采用了经典的ASP技术开发,结构清晰、注释详细,帮助用户轻松理解整个项目的逻辑和实现方式。通过这些源码,用户可以学习到ASP的基本语法、服务器端脚本编写方法、数据库操作、用户权限管理等关键技术。 数据库设计文件:为了方便用户更好地理解系统的后台逻辑,每个项目中都附带了完整的数据库设计文件。这些文件通常包括数据库结构图、数据表设计文档,以及示例数据SQL脚本。用户可以通过这些文件快速搭建项目所需的数据库环境,并了解各个数据表之间的关系和作用。 详细的开发文档:每个资源包都附有详细的开发文档,文档内容包括项目背景介绍、功能模块说明、系统流程图、用户界面设计以及关键代码解析等。这些文档为用户提供了深入的学习材料,使得即便是从零开始的开发者也能逐步掌握项目开发的全过程。 项目演示与使用指南:为帮助用户更好地理解和使用这些ASP项目,每个资源包中都包含项目的演示文件和使用指南。演示文件通常以视频或图文形式展示项目的主要功能和操作流程,使用指南则详细说明了如何配置开发环境、部署项目以及常见问题的解决方法。 毕业设计参考:对于正在准备毕业设计的学生来说,这些资源包是绝佳的参考材料。每个项目不仅功能完善、结构清晰,还符合常见的毕业设计要求和标准。通过这些项目,学生可以学习到如何从零开始构建一个完整的Web系统,并积累丰富的项目经验。
资源包主要包含以下内容: ASP项目源码:每个资源包中都包含完整的ASP项目源码,这些源码采用了经典的ASP技术开发,结构清晰、注释详细,帮助用户轻松理解整个项目的逻辑和实现方式。通过这些源码,用户可以学习到ASP的基本语法、服务器端脚本编写方法、数据库操作、用户权限管理等关键技术。 数据库设计文件:为了方便用户更好地理解系统的后台逻辑,每个项目中都附带了完整的数据库设计文件。这些文件通常包括数据库结构图、数据表设计文档,以及示例数据SQL脚本。用户可以通过这些文件快速搭建项目所需的数据库环境,并了解各个数据表之间的关系和作用。 详细的开发文档:每个资源包都附有详细的开发文档,文档内容包括项目背景介绍、功能模块说明、系统流程图、用户界面设计以及关键代码解析等。这些文档为用户提供了深入的学习材料,使得即便是从零开始的开发者也能逐步掌握项目开发的全过程。 项目演示与使用指南:为帮助用户更好地理解和使用这些ASP项目,每个资源包中都包含项目的演示文件和使用指南。演示文件通常以视频或图文形式展示项目的主要功能和操作流程,使用指南则详细说明了如何配置开发环境、部署项目以及常见问题的解决方法。 毕业设计参考:对于正在准备毕业设计的学生来说,这些资源包是绝佳的参考材料。每个项目不仅功能完善、结构清晰,还符合常见的毕业设计要求和标准。通过这些项目,学生可以学习到如何从零开始构建一个完整的Web系统,并积累丰富的项目经验。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值