python爬虫接单经历_一个Python小白5个小时爬虫经历

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。

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')

return html

#获取数据

def requestCnblogs(index):

print('请求数据')

url = '/mvc/AggSite/PostList.aspx'

value= {

'CategoryId':808,

'CategoryType' : 'SiteHome',

'ItemListActionName' :'PostList',

'PageIndex' : index,

'ParentCategoryId' : 0,

'TotalPostCount' : 4000

}

result = getHtml(url,value)

return result

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

Python 字符串格式化

src="///face/795666/0421231717.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 -02-19 23:07

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：

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

for item in all_div:

blog = analyzeBlog(item)

blogs.append(blog)

return blogs

#解析每一条数据

def analyzeBlog(item):

result = {}

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

if a_title is not None:

# 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')

if p_summary is not None:

# 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()

return result

def find_all(item,attr,c):

return item.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。

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('[')

for item in list_name:

fp.write(item)

if i

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():

for i in range(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

if os.path.exists(path):

return path

else:

os.mkdir(path)

return path

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。

多学点，总不会吃亏的。

如果觉得《python爬虫接单经历_一个Python小白5个小时爬虫经历》对你有帮助，请点赞、收藏，并留下你的观点哦！