python爬虫接单经历_一个Python小白5个小时爬虫经历

前言

最近业余在做一个基于.NET Core的搜索项目，奈何基层代码写好了，没有看起来很华丽的数据供测试。很巧的也是博客搜索，于是乎想到了博客园。C#也能做做页面数据抓取的，不过在博客园看到的大部分都是python实现，所以就临时想了一下看看python到底是什么东东，不看基础语法，不看语言功能，直接上代码，哪里不会搜哪里。代码完成总共用时大概4个小时，其中搭建环境加安装BeautifulSoup大概1个小时。解析HTML用时间最多了，边看demo边解析，大概2个小时，剩下的时间就是调试加保存数据了。

环境搭建

既然用python，那么自然少不了语言环境。于是乎到官网下载了3.5版本的。安装完之后，随机选择了一个编辑器叫PyCharm，话说python编辑器还真挺多的。由于本人是小白，所以安装事项不在过多赘述。

建好项目，打开编辑器，直接开工。本来之前用C#写的时候，大体思路就是获取网页内容，然后正则匹配。后来发现网上的帖子也很多。不过在搜索过程中发现，不建议用正则来匹配HTML。有正好我的正则不太好，所以我就搜了一下HTML解析工具，果不其然，人家都做好了，直接拿来用吧。没错就是这个东东：BeautifulSoup 。安装也很简单，不过中间出了个小插曲，就是bs4没有。继续搜，然后需要用pip安装一下就好了。（当然我并不知道ps4和pip是什么鬼）

思路分析

博客吗，我当然就对准了博客园，于是乎，进入博客园首页，查看请求。

发送请求

当然我不知道python是怎么进行网络请求的，其中还有什么2.0和3.0的不同，中间曲曲折折了不少，最终还是写出了最简单的一段请求代码。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

import urllib.parse

import urllib.request

# params CategoryId=808 CategoryType=SiteHome ItemListActionName=PostList PageIndex=3 ParentCategoryId=0 TotalPostCount=4000

def getHtml(url,values):

user_agent='Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36'

headers={'User-Agent':user_agent}

data=urllib.parse.urlencode(values)

response_result=urllib.request.urlopen(url+'?'+data).read()

html=response_result.decode('utf-8')

returnhtml

#获取数据

def requestCnblogs(index):

print('请求数据')

url='http://www.cnblogs.com/mvc/AggSite/PostList.aspx'

value={

'CategoryId':808,

'CategoryType':'SiteHome',

'ItemListActionName':'PostList',

'PageIndex':index,

'ParentCategoryId':0,

'TotalPostCount':4000

}

result=getHtml(url,value)

returnresult

其实博客园这个请求还是挺标准的，哈哈正好适合抓取。因为他返回的就是一段html。（如果返回json那不是更好。。。。）

数据解析

上文已经提到了，用到的是BeautifulSoup，好处就是不用自己写正则，只要根据他的语法来写就好了，在多次的测试之后终于完成了数据的解析。先上一段HTML。然后在对应下面的代码，也许看起来更轻松一些。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

1

Python字符串格式化

src="//pic.cnblogs.com/face/795666/20160421231717.png"alt=""/>

转载请注明出处Python2.6+增加了str.format函数，用来代替原有的'%'操作符

。它使用比'%'更加直观、灵活。下面详细介绍一下它的使用方法。下面是使用'%'的例子:格式很像C语言的printf是不是？由于'%'是一个操作符，只能在左右

两边各放一个参数，因此右边多个值需要用元组或...

新月的力量_141

发布于2017-02-1923:07

评论(0)

阅读

(138)

通过上文的HTML代码可以看到几点。首先每一条数据都在 div(class=”post_item”)下。然后 div(“post_item_body”)下有用户信息，标题，链接，简介等信息。逐一根据样式解析即可。代码如下：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

from bs4 import BeautifulSoup

import request

import re

#解析最外层

def blogParser(index):

cnblogs=request.requestCnblogs(index)

soup=BeautifulSoup(cnblogs,'html.parser')

all_div=soup.find_all('div',attrs={'class':'post_item_body'},limit=20)

blogs=[]

#循环div获取详细信息

foritem inall_div:

blog=analyzeBlog(item)

blogs.append(blog)

returnblogs

#解析每一条数据

def analyzeBlog(item):

result={}

a_title=find_all(item,'a','titlelnk')

ifa_title isnotNone:

# 博客标题

result["title"]=a_title[0].string

# 博客链接

result["href"]=a_title[0]['href']

p_summary=find_all(item,'p','post_item_summary')

ifp_summary isnotNone:

# 简介

result["summary"]=p_summary[0].text

footers=find_all(item,'div','post_item_foot')

footer=footers[0]

# 作者

result["author"]=footer.a.string

# 作者url

result["author_url"]=footer.a['href']

str=footer.text

time=re.findall(r"发布于 .+? .+? ",str)

result["create_time"]=time[0].replace('发布于 ','')

comment_str=find_all(footer,'span','article_comment')[0].a.string

result["comment_num"]=re.search(r'\d+',comment_str).group()

view_str=find_all(footer,'span','article_view')[0].a.string

result["view_num"]=re.search(r'\d+',view_str).group()

returnresult

def find_all(item,attr,c):

returnitem.find_all(attr,attrs={'class':c},limit=1)

上边一堆代码下来，着实花费了我不少时间，边写边调试，边百度~~不过还好最终还是出来了。等数据都整理好之后，然后我把它保存到了txt文件里面，以供其他语言来处理。本来想写个put直接put到ElasticSearch中，奈何没成功。后边在试吧，毕竟我的重点只是导数据，不在抓取这里。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

import match

import os

import datetime

import json

def writeToTxt(list_name,file_path):

try:

#这里直接write item 即可，不要自己给序列化在写入，会导致json格式不正确的问题

fp=open(file_path,"w+",encoding='utf-8')

l=len(list_name)

i=0

fp.write('[')

foritem inlist_name:

fp.write(item)

ifi

fp.write(',\n')

i+=1

fp.write(']')

fp.close()

except IOError:

print("fail to open file")

#def getStr(item):

# return json.dumps(item).replace('\'','\"')+',\n'

def saveBlogs():

foriinrange(1,2):

print('request for '+str(i)+'...')

blogs=match.blogParser(i,5)

#保存到文件

path=createFile()

writeToTxt(blogs,path+'/blog_'+str(i)+'.json')

print('第'+str(i)+'页已经完成')

return'success'

def createFile():

date=datetime.datetime.now().strftime('%Y-%m-%d')

path='/'+date

ifos.path.exists(path):

returnpath

else:

os.mkdir(path)

returnpath

result=saveBlogs()

print(result)

上边呢，我取了一百页的数据，也就是大概2000条做测试。

成果验收

废了好大劲终于写完那些代码之后呢，就可以享受胜利的果实了，虽然是初学者，代码写的很渣，这参考一下，那参考一下，不过还是有些收获的。运行效果如下：

生成的文件：

文件内容：

总结

一个简单的抓取程序就写完了，python还真是TM的好用。以后有空再研究研究吧。代码行数算上空行和注释总共100 （50+25+25） 行。凑个整数好看点~~现在认识字我感觉就可以上手写程序了。这里百度一下，那里google一下，问题就解决了，程序也出来了，大功告成。

是时候该和python暂时告别了，继续我的.NET事业。话说上次做rss采集的时候，好多“.NET要完蛋了”，“为什么我们不招.NET” 是什么鬼。 小伙伴们，下次见。