仿9GAG制作过程(二)

2018-06-18 03:18:18来源:未知 阅读 ()

新老客户大回馈,云服务器低至5折

有话要说:

这次准备讲述用python爬虫以及将爬来的数据存到MySQL数据库的过程,爬的是煎蛋网的无聊图。

成果:

 

准备:

  1. 下载了python3.7并配置好了环境变量
  2. 下载了PyCharm作为开发python的IDE
  3. 安装了MySQL客户端以及服务端
  4. 安装了Navicat客户端
  5. 通过pip命令下载安装beautifulsoup,selenium以及pymysql模块,pip命令如下:
pip install beautifulsoup4
pip install selenium
pip install pymysql

观察“无聊图”网页源码:

先上部分源码:

 1 <li id="comment-3838846">
 2                 <div>
 3                     <div class="row">
 4                         <div class="author"><strong
 5                                 title="防伪码:fc33b015c2b4d50cd1a23007810b09f049f1407d" class="orange-name">猴子</strong>                            <br>
 6                             <small><a href="#footer" title="@回复"
 7                                       onclick="document.getElementById('comment').value += &#39;@&lt;a href=&quot;//jandan.net/pic/page-185#comment-3838846&quot;&gt;猴子&lt;/a&gt;: &#39;">@4 days ago</a></span></small>
 8                         </div>
 9                         <div class="text"><span class="righttext"><a href="//jandan.net/pic/page-185#comment-3838846">3838846</a></span><p>这个盖字是怎么翻译出来的<br />
10 <img src="//img.jandan.net/img/blank.gif" onload="jandan_load_img(this)" /><span class="img-hash">Ly93dzMuc2luYWltZy5jbi9tdzYwMC8wMDZYTkVZN2d5MWZydm84MHg0Mm1qMzFrdzIzdmF6cS5qcGc=</span></p>
11                         </div>
12                         <div class="jandan-vote">
13                             <span class="comment-report-c">
14                                 <a title="投诉" href="javascript:;" class="comment-report" data-id="3838846">[投诉]</a>
15                             </span>
16                             <span class="tucao-like-container">
17                             <a title="圈圈/支持" href="javascript:;" class="comment-like like" data-id="3838846" data-type="pos">OO</a> [<span>52</span>]
18                             </span>
19                             <span class="tucao-unlike-container">
20                             <a title="叉叉/反对" href="javascript:;" class="comment-unlike unlike" data-id="3838846" data-type="neg">XX</a> [<span>13</span>]
21 
22                             <a href="javascript:;" class="tucao-btn" data-id="3838846"> 吐槽 [16] </a>
23                             </span>
24                         </div>
25                     </div>
26                 </div>
27             </li>

 

发现在源码里边图片链接并没有直接显示出来,而是在js中加载的。因此,不能用普通的爬虫方式来获取图片链接。

看了许多博客,最终决定采用Python3+BeautifulSoup+selenium的方式来抓取。

selenium用来获取网页链接数据,BeautifulSoup用来解析获取的网页源码。

selenium相当于一个小型浏览器,可以直接获取完整的网页源码,获取之后的网页源码如下所示:

 1 <li id="comment-3838846">
 2                 <div>
 3                     <div class="row">
 4                         <div class="author"><strong title="防伪码:fc33b015c2b4d50cd1a23007810b09f049f1407d" class="orange-name">猴子</strong>                            <br>
 5                             <small><a href="#footer" title="@回复" onclick="document.getElementById('comment').value += '@<a href=&quot;//jandan.net/pic/page-185#comment-3838846&quot;>猴子</a>: '">@4 days ago</a></small>
 6                         </div>
 7                         <div class="text"><span class="righttext"><a href="//jandan.net/pic/page-185#comment-3838846">3838846</a></span><p>这个盖字是怎么翻译出来的<br>
 8 <a href="//ww3.sinaimg.cn/large/006XNEY7gy1frvo80x42mj31kw23vazq.jpg" target="_blank" class="view_img_link">[查看原图]</a><br><img src="http://ww3.sinaimg.cn/mw600/006XNEY7gy1frvo80x42mj31kw23vazq.jpg" style="max-width: 100%; max-height: 450px;"></p>
 9                         </div>
10                         <div class="jandan-vote">
11                             <span class="comment-report-c">
12                                 <a title="投诉" href="javascript:;" class="comment-report" data-id="3838846">[投诉]</a>
13                             </span>
14                             <span class="tucao-like-container">
15                             <a title="圈圈/支持" href="javascript:;" class="comment-like like" data-id="3838846" data-type="pos">OO</a> [<span>52</span>]
16                             </span>
17                             <span class="tucao-unlike-container">
18                             <a title="叉叉/反对" href="javascript:;" class="comment-unlike unlike" data-id="3838846" data-type="neg">XX</a> [<span>13</span>]
19 
20                             <a href="javascript:;" class="tucao-btn" data-id="3838846"> 吐槽 [16] </a>
21                             </span>
22                         </div>
23                     </div>
24                 </div>
25             </li>

 

注意到,class="row"的div是我们需要的,并且不包含我们不需要的部分,因此就可以通过class="row"来获取需要的数据。

又因为一条段子包含的信息有:一个标题(有些有有些没有),若干张图片,点赞数,点踩数。因此设计数据库表如下:

数据库表设计:

因为以上的信息,故设计了两张表。

一张表用来存放段子的基本信息,包括主键、标题、点赞数、点踩数;

另一张表用来存放段子包含的图片链接,包括主键、图片链接、段子主键。

用段子主键来相互关联,主要SQL语句如下:

CREATE TABLE `news` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '段子标识',
  `title` varchar(255) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '段子标题',
  `like` int(11) DEFAULT NULL COMMENT '点赞数',
  `unlike` int(11) DEFAULT NULL COMMENT '点踩数',
  PRIMARY KEY (`id`)
) 

CREATE TABLE `news_pics` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '图片标识',
  `url` varchar(255) DEFAULT NULL COMMENT '图片链接',
  `newsid` int(11) NOT NULL COMMENT '段子标识',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=319 DEFAULT CHARSET=utf8;

主体部分:

接着,阅读了Python爬取煎蛋妹子图以及python+selenium+PhantomJS爬取网页动态加载内容之后,实现了利用python进行抓取数据解析数据的过程,先上代码:

 1 # coding=utf-8
 2 import re
 3 import pymysql
 4 from bs4 import BeautifulSoup
 5 from selenium import webdriver
 6 
 7 base_url = "http://jandan.net/pic/page-"
 8 driver = webdriver.PhantomJS()
 9 
10 items = []
11 urls = ["http://jandan.net/pic/page-{}#comments".format(str(i)) for i in range(50689352, 50689355)]
12 
13 db = pymysql.connect(host="localhost", user="root", password="root", db="imitating9gag", charset="utf8")
14 cursor = db.cursor()
15 
16 sql_news = '''INSERT INTO `imitating9gag`.`news` (`id`, `title`, `like`, `unlike`) VALUES ('%d', '%s', '%d', '%d')'''
17 sql_pics = '''INSERT INTO `imitating9gag`.`news_pics` (`id`, `url`, `newsid`) VALUES ('%d', '%s', '%d')'''
18 
19 if __name__ == "__main__":
20     for url in urls:
21         driver.get(url)
22         data = driver.page_source
23         soup = BeautifulSoup(data, "html.parser")
24         divs = soup.findAll('div', attrs={'class': 'row'})
25 
26         # 遍历所有的项
27         for div in divs:
28             # 'title'代表的是文字,'urls'代表的是图片的集合,'like'代表的是点赞数,'unlike'代表的是踩
29             item = {}
30             urls = []
31 
32             item['like'] = div.find('span', attrs={'class': 'tucao-like-container'}).find('span').string
33             item['unlike'] = div.find('span', attrs={'class': 'tucao-unlike-container'}).find('span').string
34 
35             paragraph = div.find(attrs={'class': 'text'}).find("p")
36 
37             # 获取所有的图片链接
38             links = paragraph.select("a.view_img_link")
39             for link in links:
40                 urls.append("http:" + link.get('href'))
41             item['urls'] = urls
42 
43             # 获取最开始的文字部分
44             title = re.search('<p>[\s\S]+?<a', str(paragraph))
45 
46             if title is not None and title.group()[3:-8] is not None \
47                     and title.group()[3:-8].find('view_img_link') == -1:
48                 item['title'] = title.group()[3:-8]
49             else:
50                 item['title'] = ""
51 
52             items.append(item)
53 
54     i = 1
55     j = 1
56     try:
57         for item in items:
58             # 插入新闻数据
59             cursor.execute(sql_news % (i, item['title'], int(item['like']), int(item['unlike'])))
60             # 插入图片数据
61             for tempUrl in item['urls']:
62                 cursor.execute(sql_pics % (j, tempUrl, i))
63                 j = j+1
64             i = i+1
65         db.commit()
66     except Exception as e:
67         print(e)
68         print(item)
69         db.rollback()
70     db.close()

注意点:

  • 在用pymysql的时候,如果插入的数据有中文,则在connect的时候需要设置charset,见13行
  • 44行在获取title的时候用了正则表达式,最开始直接用[.+]并不会匹配换行符,因此换成了[\s\S],\s匹配空白符,\S匹配非空白符,因此可以匹配所有的字符。
  • 最开始准备使用MySQLdb来操作数据库,但是python3不支持,于是换成了pymysql来操作数据库

至此,后台数据已经获取完成,接下来是后台接口的开发,准备采用Java的Servlet来实现后台接口的开发。

反思:

  • 对python语法掌握的不足,一些简单的语法需要通过查询才知道怎么用,需要找一个时间完整的学习一边python语法
  • 对正则表达式的使用不熟练,以后需要加强对正则表达式使用的练习
  • 本次代码仅作学习用,没有进行优化,也没有考虑到一些特殊的情况
  • 通过这次学习到了python语法+爬虫基本步骤+数据库的整体设计+解析网页源码
  • 如果title中有表情,保存数据库会报错,该问题正在解决

大家如果有什么疑问或者建议可以通过评论或者邮件的方式联系我,欢迎大家的评论~

 

标签:

版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点,本站所提供的摄影照片,插画,设计作品,如需使用,请与原作者联系,版权归原作者所有

上一篇:python 文件指针及文件覆盖

下一篇:phtnon 文件操作