一個Python小白5個小時爬蟲經歷
前言
最近業余在做一個基于.NET Core的搜索項目，奈何基層代碼寫好了，沒有看起來很華麗的數據供測試。很巧的也是博客搜索，于是乎想到了博客園。C#也能做做頁面數據抓取的，不過在博客園看到的大部分都是python實現，所以就臨時想了一下看看python到底是什么東東，不看基礎語法，不看語言功能，直接上代碼，哪里不會搜哪里。代碼完成總共用時大概4個小時，其中搭建環境加安裝BeautifulSoup大概1個小時。解析HTML用時間最多了，邊看demo邊解析，大概2個小時，剩下的時間就是調試加保存數據了。
環境搭建
既然用python，那么自然少不了語言環境。于是乎到官網下載了3.5版本的。安裝完之后，隨機選擇了一個編輯器叫PyCharm，話說python編輯器還真挺多的。由于本人是小白，所以安裝事項不在過多贅述。
建好項目，打開編輯器，直接開工。本來之前用C#寫的時候，大體思路就是獲取網頁內容，然后正則匹配。后來發現網上的帖子也很多。不過在搜索過程中發現，不建議用正則來匹配HTML。有正好我的正則不太好，所以我就搜了一下HTML解析工具，果不其然，人家都做好了，直接拿來用吧。沒錯就是這個東東： BeautifulSoup 。 安裝也很簡單，不過中間出了個小插曲，就是bs4沒有。繼續搜，然后需要用pip安裝一下就好了。（當然我并不知道ps4和pip是什么鬼）
思路分析
博客嗎，我當然就對準了博客園，于是乎，進入博客園首頁，查看請求。
發送請求
當然我不知道python是怎么進行網絡請求的，其中還有什么2.0和3.0的不同，中間曲曲折折了不少，最終還是寫出了最簡單的一段請求代碼。
importurllib.parse
importurllib.request
params CategoryId=808 CategoryType=SiteHome ItemListActionName=PostList PageIndex=3 ParentCategoryId=0 TotalPostCount=4000
defgetHtml(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
獲取數據
defrequestCnblogs(index):
print('請求數據')
url = '其實博客園這個請求還是挺標準的，哈哈正好適合抓取。因為他返回的就是一段html。（如果返回json那不是更好。。。。）
數據解析
上文已經提到了，用到的是BeautifulSoup，好處就是不用自己寫正則，只要根據他的語法來寫就好了，在多次的測試之后終于完成了數據的解析。先上一段HTML。然后在對應下面的代碼，也許看起來更輕松一些。
<divclass="post_item">
<divclass="digg">
<divclass="diggit" onclick="DiggPost('hyper-xl',6417741,281238,1)">
<spanclass="diggnum" id="digg_count_6417741">1</span>
</div>
<divclass="clear"></div>
<divid="digg_tip_6417741" class="digg_tip"></div>
</div>
<divclass="post_item_body">
<h3><a class="titlelnk" target="_blank">Python 字符串格式化</a></h3>
<p class="post_item_summary">
<a target="_blank">
<imgwidth="48" height="48" class="pfs"
src="http://pic.cnblogs.com/face/795666/20160421231717.png" alt="" />
</a> 轉載請注明出處 Python2.6+ 增加了str.format函數，用來代替原有的'%'操作符
。它使用比'%'更加直觀、靈活。下面詳細介紹一下它的使用方法。 下面是使用'%'的例子: 格式很像C語言的printf是不是？由于'%'是一個操作符，只能在左右
兩邊各放一個參數，因此右邊多個值需要用元組或 ...
</p>
<divclass="post_item_foot">
<a class="lightblue">新月的力量_141</a>
發布于 2017-02-19 23:07
<spanclass="article_comment">
<a title="" class="gray">
評論(0)
</a>
</span>
<spanclass="article_view">
<a class="gray">
閱讀
(138)
</a>
</span>
</div>
</div>
<divclass="clear"></div>
</div>
通過上文的HTML代碼可以看到幾點。首先每一條數據都在 div(class=”post_item”)下。然后 div(“post_item_body”)下有用戶信息，標題，鏈接，簡介等信息。逐一根據樣式解析即可。代碼如下：
frombs4importBeautifulSoup
importrequest
importre
解析最外層
defblogParser(index):
cnblogs = request.requestCnblogs(index)
soup = BeautifulSoup(cnblogs, 'html.parser')
all_div = soup.find_all('div', attrs={'class': 'post_item_body'}, limit=20)
blogs = []
#循環div獲取詳細信息
for itemin all_div:
blog = analyzeBlog(item)
blogs.append(blog)
return blogs
解析每一條數據
defanalyzeBlog(item):
result = {}
a_title = find_all(item,'a','titlelnk')
if a_titleis not None:
# 博客標題
result["title"] = a_title[0].string
# 博客鏈接
result["href"] = a_title[0]['href']
p_summary = find_all(item,'p','post_item_summary')
if p_summaryis not None:
# 簡介
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"發布于 .+? .+? ", str)
result["create_time"] = time[0].replace('發布于 ','')
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
deffind_all(item,attr,c):
return item.find_all(attr,attrs={'class':c},limit=1)
</code></pre>
上邊一堆代碼下來，著實花費了我不少時間，邊寫邊調試，邊百度~~不過還好最終還是出來了。等數據都整理好之后，然后我把它保存到了txt文件里面，以供其他語言來處理。本來想寫個put直接put到ElasticSearch中，奈何沒成功。后邊在試吧，畢竟我的重點只是導數據，不在抓取這里。
importmatch
importos
importdatetime
importjson
defwriteToTxt(list_name,file_path):
try:
#這里直接write item 即可，不要自己給序列化在寫入，會導致json格式不正確的問題
fp = open(file_path,"w+",encoding='utf-8')
l = len(list_name)
i = 0
fp.write('[')
for itemin list_name:
fp.write(item)
if i<l-1:
fp.write(',\n')
i += 1
fp.write(']')
fp.close()
exceptIOError:
print("fail to open file")
def getStr(item):
return json.dumps(item).replace('\'','\"')+',\n'
defsaveBlogs():
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) +'頁已經完成')
return 'success'
defcreateFile():
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)
</code></pre>
上邊呢，我取了一百頁的數據，也就是大概2000條做測試。
成果驗收
廢了好大勁終于寫完那些代碼之后呢，就可以享受勝利的果實了，雖然是初學者，代碼寫的很渣，這參考一下，那參考一下，不過還是有些收獲的。運行效果如下：
生成的文件：
文件內容：
總結
一個簡單的抓取程序就寫完了，python還真是TM的好用。以后有空再研究研究吧。代碼行數算上空行和注釋總共 100 （50+25+25） 行。湊個整數好看點~~現在認識字我感覺就可以上手寫程序了。這里百度一下，那里google一下，問題就解決了，程序也出來了，大功告成。
是時候該和python暫時告別了，繼續我的.NET事業。話說上次做rss采集的時候，好多“.NET要完蛋了”，“為什么我們不招.NET” 是什么鬼。 小伙伴們，下次見。
來自：http://python.jobbole.com/87566/