python教程博客园_python学习之抓取博客园新闻

前言

说到python，对它有点耳闻的人，第一反应可能都是爬虫~

这两天看了点python的皮毛知识，忍不住想写一个简单的爬虫练练手，JUST DO IT

准备工作

要制作数据抓取的爬虫，对请求的源页面结构需要有特定分析，只有分析正确了，才能更好更快的爬到我们想要的内容。

浏览器访问570973/，右键“查看源代码”，初步只想取一些简单的数据(文章标题、作者、发布时间等)，在HTML源码中找到相关数据的部分：

1)标题(url)：

SpaceX重复使用的“龙”飞船成功与国际空间站对接

2)作者：投递人itwriter

3)发布时间：发布于2017-06-06 14:53

4)当前新闻ID :

当然了，要想“顺藤摸瓜”，“上一篇”和“下一篇”链接的结构非常重要；但发现一个问题，页面中的这两个标签，它的链接和文本内容，是通过js渲染的，这可如何是好？尝试寻找资料(python执行js之类的)，可对于python菜鸟来说，可能有点超前了，打算另找方案。

虽然这两个链接是通过js渲染的，但是理论上来说，js之所以能渲染该内容，应该也是通过发起请求，得到响应后执行的渲染吧；那么是否可以通过监视网页加载过程看看有什么有用信息呢？在此要为chrome/firefox这些浏览器点个赞了，开发者工具/网络，可以清清楚楚的看到所有资源的请求和响应情况。

它们的请求地址分别为：

1)上一篇新闻ID：

2)下一篇新闻ID：

响应的内容为JSON

此处ContentID就是我们需要的，可以根据这个值，知道当前新闻的上一篇或下一篇新闻URL，因为新闻发布的页面地址是有固定格式的：{{ContentID}}/ (红色内容就是可替换的ID)

工具

1)python 3.6(安装的时候同时安装pip，并且加入环境变量)

2)PyCharm 2017.1.3

3)第三方python库(安装：cmd -> pip install name)

a)pyperclip : 用于读写剪贴板

b)requests : 基于 urllib，采用 Apache2 Licensed 开源协议的 HTTP 库。它比 urllib 更加方便，可以节约我们大量的工作

c)beautifulsoup4 : Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据

源码

代码个人觉得都是很基础易懂的(毕竟菜鸟也写不出高深的代码)，有疑问或是建议的，请不吝赐教

#! python3

# coding = utf-8

# get_cnblogs_news.py

# 根据博客园内的任意一篇新闻，获取所有新闻(标题、发布时间、发布人)

#

# 这是标题格式 ：

SpaceX重复使用的“龙”飞船成功与国际空间站对接

# 这是发布人格式 ：投递人 itwriter

# 这是发布时间格式 ：发布于 2017-06-06 14:53

# 当前新闻ID ：

# html中获取不到上一篇和下一篇的直接链接，因为它是使用ajax请求后期渲染的

# 需要另外请求地址，获取结果，JSON

# 上一篇

# 下一篇

# 响应内容

# ContentID : 570971

# Title : "Mac支持外部GPU VR开发套件售599美元"

# Submitdate : "/Date(1425445514)"

# SubmitdateFormat : "2017-06-06 14:47"

import sys, pyperclip

import requests, bs4

import json

# 解析并打印(标题、作者、发布时间、当前ID)

# soup : 响应的HTML内容经过bs4转化的对象

def get_info(soup):

dict_info = {'curr_id': '', 'author': '', 'time': '', 'title': '', 'url': ''}

titles = soup.select('div#news_title > a')

if len(titles) > 0:

dict_info['title'] = titles[0].getText()

dict_info['url'] = titles[0].get('href')

authors = soup.select('span.news_poster > a')

if len(authors) > 0:

dict_info['author'] = authors[0].getText()

times = soup.select('span.time')

if len(times) > 0:

dict_info['time'] = times[0].getText()

content_ids = soup.select('input#lbContentID')

if len(content_ids) > 0:

dict_info['curr_id'] = content_ids[0].get('value')

# 写文件

with open('D:/cnblognews.csv', 'a') as f:

text = '%s,%s,%s,%s\n' % (dict_info['curr_id'], (dict_info['author'] + dict_info['time']), dict_info['url'], dict_info['title'])

print(text)

f.write(text)

return dict_info['curr_id']

# 获取前一篇文章信息

# curr_id : 新闻ID

# loop_count : 向上多少条，如果为0，则无限向上，直至结束

def get_prev_info(curr_id, loop_count = 0):

private_loop_count = 0

try:

while loop_count == 0 or private_loop_count < loop_count:

res_prev = requests.get('https://news.cnblogs.com/NewsAjax/GetPreNewsById?contentId=' + curr_id)

res_prev.raise_for_status()

res_prev_dict = json.loads(res_prev.text)

prev_id = res_prev_dict['ContentID']

res_prev = requests.get('https://news.cnblogs.com/n/%s/' % prev_id)

res_prev.raise_for_status()

soup_prev = bs4.BeautifulSoup(res_prev.text, 'html.parser')

curr_id = get_info(soup_prev)

private_loop_count += 1

except:

pass

# 获取下一篇文章信息

# curr_id : 新闻ID

# loop_count : 向下多少条，如果为0，则无限向下，直至结束

def get_next_info(curr_id, loop_count = 0):

private_loop_count = 0

try:

while loop_count == 0 or private_loop_count < loop_count:

res_next = requests.get('https://news.cnblogs.com/NewsAjax/GetNextNewsById?contentId=' + curr_id)

res_next.raise_for_status()

res_next_dict = json.loads(res_next.text)

next_id = res_next_dict['ContentID']

res_next = requests.get('https://news.cnblogs.com/n/%s/' % next_id)

res_next.raise_for_status()

soup_next = bs4.BeautifulSoup(res_next.text, 'html.parser')

curr_id = get_info(soup_next)

private_loop_count += 1

except:

pass

# 参数从优先从命令行获取，如果无，则从剪切板获取

# url是博客园新闻版块下，任何一篇新闻

if len(sys.argv) > 1:

url = sys.argv[1]

else:

url = pyperclip.paste()

# 没有获取到有地址，则抛出异常

if not url:

raise ValueError

# 开始从源地址中获取新闻内容

res = requests.get(url)

res.raise_for_status()

if not res.text:

raise ValueError

#解析Html

soup = bs4.BeautifulSoup(res.text, 'html.parser')

curr_id = get_info(soup)

print('backward...')

get_prev_info(curr_id)

print('forward...')

get_next_info(curr_id)

print('done')

运行

将以上源代码保存至D:/get_cnblogs_news.py ，windows平台下打开命令行工具cmd:

输入命令：py.exe D:/get_cnblogs_news.py 回车

解析：py.exe就不用解释了，第二个参数为python脚本文件，第三个参数为需要爬的源页面(代码里有另一种考虑，如果你将这个url拷贝在系统剪贴板的时候，可以直接运行：py.exe D:/get_cnblogs_news.py

命令行输出界面(print)

保存到csv文件的内容

推荐菜鸟python学习书箱或资料：

1)廖雪峰的Python教程，很基础易懂：

2)Python编程快速上手 让繁琐工作自动化.pdf

文章仅是给自己学习python的日记，如有误导请批评指正(不喜勿喷)，如对您有帮助，荣幸之至。