python爬取csdn所有文章_Python 爬取 CSDN 博客信息

文章作者:月小水长Python 爬取 CSDN 博客信息​inspurer.github.io

爬取目标

爬取的主要的数据已经在上用红线图标出来了，主要可分为两部分所有博客的八个统计数据，原创的博客数、你的粉丝数、博客获得的赞、博客的评论数、博客等级、访问量、积分和排名

每篇博客的具体信息，如标题、发布时间、阅读数、评论数

思路分析

Google Chrome浏览器F12开发者工具查看网页结构，比较简单，如下图所示

csdn网站虽然是一个技术性博客，但是貌似它的反爬措施做的不那么优秀，举个例子，我在分析网页结构的过程中发现它的评论数不是通过Ajax动态渲染的，而新浪新闻做到了这一点，也许是因为新闻类的实时性要求较高而技术博客类没这个必要吧。

主要技术点

Requests库获取网页

我看到许多爬虫教程都是用的urllib2等比较过时的爬虫库来获取网页信息，一来python2马上停止支持，python2时代的urllib2的凸现出来的毛病会越来越多且无法得到官方的修复；二来无论是基于python2的ulilib2还是python3的urllib3，过程都稍显繁琐，不如requests库简明，而且urllib2/3能做的requests都能做，干嘛不用requests呢？requests.get(url=myUrl,headers=headers).text

get()接收两个关键字参数，第一个就是我们要爬取网页的URL,第二个就是请求头，用于模拟浏览器访问服务器，不然csdn的服务器会拒绝连接，不懂的可以百度补一下计算机网络相关知识。

get()返回的是一个requests.models.Response对象，通过它的text属性可以得到网页的源码，字符串类型，这样以后我们就能通过方便地解析网页获取我们想要的信息了。

pyqeury库解析网页

其实解析网页最直接的办法是利用re这个库写正则表达式提取信息，优点是正则是万能的，所有的字符串提取都可以通过字符串提取，只有改变匹配的规则就行了，不过缺点是学习起来费劲(最好还是要掌握的，毕竟每个语言的匹配规则都是类似的，在java学的匹配规则照样可以用在python中，只是语法不同，API稍有差异)

第三方解析库有BeautifulSoup、lxml、pyquery等，学习这些库前最好已经掌握css选择器的一些语法规则，再学这些解析库就事半功倍了，个人感觉最好用的是pyquery库。安装pyquery需要在在命令行下输入：pip istall pyquery

拿到网页源码后，通过doc = pq(myPage)

得到一个pyquery.pyquery.PyQuery对象，其中参数就是网页源码

然后可以通过doc(“aside .data-info dl”).items()

来得到aside标签下class为data-info的标签下的所有dl标签，返回的仍是一个pyquery.pyquery.PyQuery对象，如果dl的标签不止一个，我们可以通过.items()把这个对象转乘一个生成器，通过for a in b来迭代获取每一个dl标签，同样地，迭代出来的每一个子项还是pyquery.pyquery.PyQuery对象。

下面是pyquery常见的api

|名称|功能|

|:—:|:—:|

|attr(key)|得到标签下属性key的属性值，字符串类型|

|parent()/children()|得到标签的父/子标签|

|text()|得到标签的文本|

更多的api可以参考:pyqeury官方教程

另外的，假设一个pyquery.pyquery.PyQuery对象a，通过a(“li”),可以对a里的li标签再选择，所以这种选择过程可以是多重嵌套的，一个容易忘记的选择器语法是a(“[b=c]”),用来选择a标签下属性b的属性值为c的所有标签。

运行结果

如下图所示，所有的功能目标已经实现

其中csdn id就是想要爬取博主的id，可以去博主的主页看

源代码

import requests

from pyquery import PyQuery as pq

# 当前的博客列表页号

#Python学习交流群：973783996

page_num = 1

account = str(input('print csdn id:'))

#account = "ygdxt"

# 首页地址

baseUrl = 'http://blog.csdn.net/' + account

# 连接页号，组成爬取的页面网址

myUrl = baseUrl + '/article/list/' + str(page_num)

headers = {'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'}

# 构造请求

# 访问页面

myPage = requests.get(myUrl,headers=headers).text

doc = pq(myPage)

data_info = doc("aside .data-info dl").items()

for i,item in enumerate(data_info):

if i==0:

print("原创:"+item.attr("title"))

if i==1:

print("粉丝:"+item.attr("title"))

if i==2:

print("喜欢:"+item.attr("title"))

if i==3:

print("评论:"+item.attr("title"))

grade_box = doc(".grade-box dl").items()

for i,item in enumerate(grade_box):

if i==0:

childitem = item("dd > a")

print("等级:"+childitem.attr("title")[0:2])

if i==1:

childitem = item("dd")

print("访问:"+childitem.attr("title"))

if i==2:

childitem = item("dd")

print("积分:"+childitem.attr("title"))

if i==3:

print("排名:"+item.attr("title"))

# 获取每一页的信息

while True:

# 首页地址

baseUrl = 'http://blog.csdn.net/' + account

# 连接页号，组成爬取的页面网址

myUrl = baseUrl + '/article/list/' + str(page_num)

# 构造请求

myPage = requests.get(myUrl,headers=headers).text

if len(myPage) < 30000:

break

print('-----------------------------第%d页---------------------------------' % (page_num,))

doc = pq(myPage)

articles = doc(".article-list > div").items()

articleList = []

for i,item in enumerate(articles):

if i == 0:

continue

title = item("h4 > a").text()[2:]

date = item("p > .date").text()

num_item = item("p > .read-num").items()

ariticle = [date, title]

for j,jitem in enumerate(num_item):

if j == 0:

read_num = jitem.text()

ariticle.append(read_num)

else:

comment_num = jitem.text()

ariticle.append(comment_num)

articleList.append(ariticle)

for item in articleList:

if(len(item)==4):

print("%s%s%s%s"%(item[0],item[1],item[2],item[3]))

page_num = page_num + 1