首页 > > 网络编程 > 其它 >

Python爬虫入门教程——爬取自己的博客园博客

2018-11-26 07:59:41来源：博客园阅读 ()

互联网时代里，网络爬虫是一种高效地信息采集利器，可以快速准确地获取网上的各种数据资源。本文使用Python库requests、Beautiful Soup爬取CSDN博客的相关信息，利用txt文件转存。

基础知识：

网络爬虫是一种高效地信息采集利器，利用它可以快速、准确地采集互联网上的各种数据资源，几乎已经成为大数据时代IT从业者的必修课。简单点说，网络爬虫就是获取网页并提取和保存信息的自动化过程，分为下列三个步骤：获取网页、提取信息、保存数据。

1.获取网页

使用requests发送GET请求获取网页的源代码。以获取百度为例：

import requests
response = requests.get('https://www.baidu.com')
print(response.text)

2.提取信息

Beautiful Soup是Python的一个HTML或XML解析库，速度快，容错能力强，可以方便、高效地从网页中提取数据。基本用法：

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.prettify())
print(soup.title.string)

Beautiful Soup方法选择器：

find_all()查询符合条件的所有元素，返回所有匹配元素组成的列表。API如下：

find_all(name,attrs,recursive,text,**kwargs)

find()返回第一个匹配的元素。举个栗子：

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find('div', attrs={'class': 'article-list'}))

3.保存数据

使用Txt文档保存，兼容性好。

使用with as语法。在with控制块结束的时候，文件自动关闭。举个栗子：

with open(file_name, 'a') as file_object:
    file_object.write("I love programming.\n")
    file_object.write("I love playing basketball.\n")

分析页面：

要爬取的页面是博客园“我的博客”：https://www.cnblogs.com/sgh1023/。

使用Chrome的开发者工具（快捷键F12），可以查看这个页面的源代码。

HTML代码说白了其实就是一棵树，这棵树的根节点为html标签，head标签和body标签是它的子节点，当然有时候还会有script标签。body标签下面又会有许多的p标签、div标签、span标签、a标签等，共同构造了这棵大树。

可以很容易看到这个页面的博文列表是一个id为mainContent的div。

在class为postTitle的div里面可以找到链接和标题，这就是本文爬取的目标。

编写代码：

获取网页使用requests ，提取信息使用Beautiful Soup，存储使用txt就可以了。

# coding: utf-8
import re
import requests
from bs4 import BeautifulSoup

def get_blog_info():
    headers = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) '
                             'AppleWebKit/537.36 (KHTML, like Gecko) '
                             'Ubuntu Chromium/44.0.2403.89 '
                             'Chrome/44.0.2403.89 '
                             'Safari/537.36'}
    html = get_page(blog_url)
    soup = BeautifulSoup(html, 'lxml')
    article_list = soup.find('div', attrs={'id': 'mainContent'})
    article_item = article_list.find_all('div', attrs={'class': 'postTitle'})
    for ai in article_item:
        title = ai.a.text
        link = ai.a['href']
        print(title)
        print(link)
        write_to_file(title+'\t')
        write_to_file(link+'\n')


def get_page(url):
    try:
        headers = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) '
                                 'AppleWebKit/537.36 (KHTML, like Gecko) '
                                 'Ubuntu Chromium/44.0.2403.89 '
                                 'Chrome/44.0.2403.89 '
                                 'Safari/537.36'}
        response = requests.get(blog_url, headers=headers, timeout=10)
        return response.text
    except:
        return ""


def write_to_file(content):
    with open('article.txt', 'a', encoding='utf-8') as f:
        f.write(content)


if __name__ == '__main__':
    blog_url = "https://www.cnblogs.com/sgh1023/"
    get_blog_info()