Python爬虫获取简书首页内容(2021年3月8日测试有效)

import requests
import time
import random
import csv
import codecs
from user_agent import generate_user_agent
from bs4 import BeautifulSoup
import urllib3
urllib3.disable_warnings()


class JianShu:
    def __init__(self):
        self.user_agent = generate_user_agent()
        self.url = 'https://www.jianshu.com/'
        self.session = requests.session()
        self.token = None
        self.ids = []
    
    def get_token(self):
        """
            从返回界面中找到csrf_token
        """
        headers = {'User-Agent':self.user_agent}
        try:
            response = self.session.get(self.url, headers=headers, verify=False)
            html = BeautifulSoup(response.text,'lxml')
            self.get_ids(html)
            self.token = html.find('meta',{'name':'csrf-token'}).get('content')   
        except Exception as e:
            print(e) 
    
    def get_ids(self, html):
        """
            获得参数中所需要的seen_snote_ids[]
        """
        ids = []
        div = html.find('div',{'id':'list-container'})
        for li in div.find_all('li'):
            id = li.get('data-note-id')
            ids.append(id)
        self.ids = ids

    def get_content(self):
        """
         获得主要的数据,
         观察xhr文件,构建headers和params中的必须参数
        """
        self.get_token()
        content = []
        for page in range(2, 10):
            headers = {
                'User-Agent':generate_user_agent(),
                'X-CSRF-Token':self.token,
                'X-INFINITESCROLL': 'true',
                'X-Requested-With': 'XMLHttpRequest'
            }
            params = {
                'page':page,
                'seen_snote_ids[]':self.ids
            }
            time.sleep(random.random()*5)
            try:
                response = self.session.get(self.url, headers=headers, params=params, verify=False)
                response.raise_for_status()
                html = BeautifulSoup(response.text, 'lxml')
                for li in html.find_all('li'):
                    title = li.find('a',{'class':'title'}).text.strip()
                    abstract = li.find('p',{'class':'abstract'}).text.strip()
                    data_note_id = li.get('data-note-id')
                    content.append({'id':data_note_id,'title':title,'abstract':abstract})
            except Exception as e:
                print(e)
        self.save_csv(content)

    def save_csv(self, content):
        """
            保存到csv文件中
        """
        headers = ['id', 'title', 'abstract']
        try:
            with codecs.open(r'./jianshu.csv','a','utf-8') as fp:
                f_csv = csv.DictWriter(fp, fieldnames=headers)
                f_csv.writeheader()
                f_csv.writerows(content)
        except Exception as e:
            print(e)
            

if __name__=="__main__":
    js = JianShu()
    js.get_content()

 

Python递归函数是指一个函数在其函数体内调用自己的一种方法。它是一种简洁而有力的编程技巧,适用于解决需要重复进行相同或者相似操作的问题。 在Python中,使用递归函数的语法很简单,只需要在函数体内调用自身并提供适当的终止条件即可。递归函数通常包括两个部分:基本情况和递归情况。 基本情况是指函数可以直接得到结果而不需要调用自身的情况。在遇到基本情况时,递归函数就可以停止递归并返回结果,从而避免无限循环。 递归情况是指函数需要调用自身来解决更小规模的问题的情况。在递归情况下,函数将输入参数缩小到更小的规模,然后再次调用自身,直到达到基本情况。 递归函数可以解决很多问题,比如计算斐波那契数列、计算阶乘、二叉树的遍历等。递归函数的运行过程可以形象地表示为一个函数的调用栈。 需要注意的是,递归函数可能存在性能问题。因为每次递归调用都会创建一个新的函数帧,所以递归函数的内存消耗较大。此外,如果递归调用的深度过大,可能会导致堆栈溢出错误。 为了解决这些问题,可以优化递归函数的实现,比如使用尾递归优化、剪枝等技巧。另外,在使用递归函数时,一定要确定递归结束条件,并尽量避免无限递归的情况。 总之,Python递归函数是一种非常有用的编程技巧,可以简化问题的解决过程。但是在使用时需要注意性能和终止条件,避免出现问题。
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

打赏作者

young_kp

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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