python爬取周杰伦歌词_Python 爬取周杰伦 instagram

整体框架

使用国内能访问的某国外 app angine 爬取Jay的 Instagram 并显示，再使用国内的 sae 访问这个网站，再爬取一次并发送到微博小号。

bs4

使用requests爬取 Instagram 时候，并没有加request header，Instagram 对 robot 还算友好，直接返回不带 js 的网页信息。通过bs4迅速定位到照片、视频信息，再用正则表达式提取到链接并下载、显示。，正则表达式让人头痛，使用str.split(' ')来使字符串变成列表。

from bs4 import BeautifulSoup

filepath = 'C:\Users\hndx\Desktop\ins.html'

soup = BeautifulSoup(open(filepath),'lxml')

script = soup.select('script')

print str(script[2]).split('},{"node":')[1]

通过分析ins.html，得到每个node就是一个动态。这样str(script[2]).split('},{"node":')[1]就是带有Jay最新动态信息的 Unicode 字符了。应用json 直接将这个信息转化成字典dict，如下

import json

i = json.loads(info)

print i["edge_media_to_caption"]['edges']

"""

[{u'node': {u'text': u'Just finished now \u8b1d\u8b1d\u91d1\u83ef\u7684\u670b\u53cb\u5011 high\u7684\u4e0d\u8981\u4e0d\u8981\u7684 #\u91d1\u83ef #\u96d9\u7bc0\u68cd#\u96d9\u622a\u68cd'}}]

"""

保存图片

import requests

s = requests.session()

ss = s.get('https://www.baidu.com/img/bd_logo1.png')

open('logo.png', 'wb').write(ss.content)

数据库 ORM Flask-SQLAlchemy

class photo(db.Model):

__tablename__ = "photoid"

id = db.Column(db.Integer) #参数 primary_key=True 表示此键值不能重复，必须有一个primary_key=True。

url = db.Column(db.String(4096),primary_key=True )

text = db.Column(db.String(4096))

def __init__(self, id, url,text):

self.id = id

self.url = url

self.text = text #这里有三个行

关于创建、查找

In [1]: import flask_app

In [2]: con = ['1','2']

In [3]: flask_app.photo(con[0],con[1])

Out[3]:

In [4]: flask_app.db.session.add(flask_app.photo(con[0],con[1]))

In [5]: flask_app.db.session.commit()

In [6]: flask_app.photo.query.filter_by(id='1').first()

Out[6]:

In [7]: p1 =flask_app.photo.query.filter_by(id='1').first()

In [8]: p1.id

Out[8]: 1

In [9]: p1.url

Out[9]: u'2'

Mysql 用到的语句

DROP TABLE table_name ;

删除数据表

insta.py

# -*- coding: utf-8 -*-

"""

insta 爬虫

Created on Fri May 04 09:02:26 2018

@author: aubucuo

"""

import requests

from json import loads

from bs4 import BeautifulSoup

import re

s = requests.session()

u = 'https://www.instagram.com/jaychou/'

def ins(pid):

rt = []

c1 = s.get(u)

soup = BeautifulSoup(c1.content,'lxml')

script = soup.select('script')

ls = script[2].contents

ls1 = re.findall('window._sharedData = (.+?);', str(ls[0]))

js = loads(ls1[0])['entry_data']['ProfilePage'][0]['graphql']['user']['edge_owner_to_timeline_media']['edges']

j_id = js[0]['node']['id']

is_video =js[0]['node']['is_video']

j_url = js[0]['node']['display_url']

j_text = js[0]['node']['edge_media_to_caption']['edges'][0]['node']['text']

if j_id!= pid and not is_video: #如果id 不重复 且不是video

rt.append(True)

rt.append(j_id)

rt.append(j_url)

rt.append(j_text)

c2 = s.get(j_url)

open('mysite/static/jay.jpg', 'wb').write(c2.content)

return rt

else :

rt.append(False)

return rt

其中pid是上次执行时候最新一张图片的id，用来判断是否有更新。其实这里bs4对我的帮助并不大。上面程序只做到了保存最新的一张图片(jay.jpg)，实测中，总是保存第二张图片，可能是正则表达式的问题。不影响功能，不再深究了。

使用 json 精准定位N次，(注意到js变量)