python学习第一弹：爬虫（抓取博客园新闻）

Posted 2020-09-21

前言

　　说到python，对它有点耳闻的人，第一反应可能都是爬虫~

　　这两天看了点python的皮毛知识，忍不住想写一个简单的爬虫练练手，JUST DO IT

准备工作

　　要制作数据抓取的爬虫，对请求的源页面结构需要有特定分析，只有分析正确了，才能更好更快的爬到我们想要的内容。

　　打开博客园任何一个新闻页面，比如https://news.cnblogs.com/n/570973/，思路是通过这个源页面，并且根据页面中的“上一篇”、“下一篇”等链接，源源不断的爬取其它新闻内容。

　　浏览器访问https://news.cnblogs.com/n/570973/，右键“查看源代码”，初步只想取一些简单的数据（文章标题、作者、发布时间等），在HTML源码中找到相关数据的部分：

　　1）标题（url）：<div id="news_title"><a href="//news.cnblogs.com/n/570973/">SpaceX重复使用的“龙”飞船成功与国际空间站对接</a></div>

　　2）作者：<span class="news_poster">投递人 <a href="//home.cnblogs.com/u/34358/">itwriter</a></span>

　　3）发布时间：<span class="time">发布于 2017-06-06 14:53</span>

　　4）当前新闻ID : <input type="hidden" value="570981" id="lbContentID">

　　当然了，要想“顺藤摸瓜”，“上一篇”和“下一篇”链接的结构非常重要；但发现一个问题，页面中的这两个<a>标签，它的链接和文本内容，是通过js渲染的，这可如何是好？尝试寻找资料（python执行js之类的），可对于python菜鸟来说，可能有点超前了，打算另找方案。

　　虽然这两个链接是通过js渲染的，但是理论上来说，js之所以能渲染该内容，应该也是通过发起请求，得到响应后执行的渲染吧；那么是否可以通过监视网页加载过程看看有什么有用信息呢？在此要为chrome/firefox这些浏览器点个赞了，开发者工具/网络，可以清清楚楚的看到所有资源的请求和响应情况。

　　

　　它们的请求地址分别为：

　　1）上一篇新闻ID：https://news.cnblogs.com/NewsAjax/GetPreNewsById?contentId=570992

　　2）下一篇新闻ID：https://news.cnblogs.com/NewsAjax/GetNextNewsById?contentId=570992

　　响应的内容为JSON

　　

　　此处ContentID就是我们需要的，可以根据这个值，知道当前新闻的上一篇或下一篇新闻URL，因为新闻发布的页面地址是有固定格式的：https://news.cnblogs.com/n/{{ContentID}}/  （红色内容就是可替换的ID）

工具

　　1）python 3.6（安装的时候同时安装pip，并且加入环境变量）

　　2）PyCharm 2017.1.3

　　3）第三方python库（安装：cmd -> pip install name）

　　　　a）pyperclip : 用于读写剪贴板

　　　　b）requests : 基于 urllib，采用 Apache2 Licensed 开源协议的 HTTP 库。它比 urllib 更加方便，可以节约我们大量的工作

　　　　c）beautifulsoup4 : Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据

源码

代码个人觉得都是很基础易懂的（毕竟菜鸟也写不出高深的代码），有疑问或是建议的，请不吝赐教

 

#! python3
# coding = utf-8
# get_cnblogs_news.py
# 根据博客园内的任意一篇新闻，获取所有新闻（标题、发布时间、发布人）
# https://news.cnblogs.com/n/123456/

# 这是标题格式 ：<div id="news_title"><a href="//news.cnblogs.com/n/570973/">SpaceX重复使用的“龙”飞船成功与国际空间站对接</a></div>
# 这是发布人格式 ：<span class="news_poster">投递人 <a href="//home.cnblogs.com/u/34358/">itwriter</a></span>
# 这是发布时间格式 ：<span class="time">发布于 2017-06-06 14:53</span>

# 当前新闻ID ：<input type="hidden" value="570981" id="lbContentID">

# html中获取不到上一篇和下一篇的直接链接，因为它是使用ajax请求后期渲染的
# 需要另外请求地址，获取结果，JSON
# 上一篇 https://news.cnblogs.com/NewsAjax/GetPreNewsById?contentId=570971
# 下一篇 https://news.cnblogs.com/NewsAjax/GetNextNewsById?contentId=570971

# 响应内容
# ContentID : 570971
# Title : "Mac支持外部GPU VR开发套件售599美元"
# Submitdate : "/Date(1425445514)"
# SubmitdateFormat : "2017-06-06 14:47"

import sys, pyperclip
import requests, bs4
import json

# 解析并打印（标题、作者、发布时间、当前ID）
# soup : 响应的HTML内容经过bs4转化的对象
def get_info(soup):
    dict_info = {‘curr_id‘: ‘‘, ‘author‘: ‘‘, ‘time‘: ‘‘, ‘title‘: ‘‘, ‘url‘: ‘‘}

    titles = soup.select(‘div#news_title > a‘)
    if len(titles) > 0:
        dict_info[‘title‘] = titles[0].getText()
        dict_info[‘url‘] = titles[0].get(‘href‘)

    authors = soup.select(‘span.news_poster > a‘)
    if len(authors) > 0:
        dict_info[‘author‘] = authors[0].getText()

    times = soup.select(‘span.time‘)
    if len(times) > 0:
        dict_info[‘time‘] = times[0].getText()

    content_ids = soup.select(‘input#lbContentID‘)
    if len(content_ids) > 0:
        dict_info[‘curr_id‘] = content_ids[0].get(‘value‘)

    # 写文件
    with open(‘D:/cnblognews.csv‘, ‘a‘) as f:
        text = ‘%s,%s,%s,%s\\n‘ % (dict_info[‘curr_id‘], (dict_info[‘author‘] + dict_info[‘time‘]), dict_info[‘url‘], dict_info[‘title‘])
        print(text)
        f.write(text)
    return dict_info[‘curr_id‘]

# 获取前一篇文章信息
# curr_id : 新闻ID
# loop_count : 向上多少条，如果为0，则无限向上，直至结束
def get_prev_info(curr_id, loop_count = 0):
    private_loop_count = 0
    try:
        while loop_count == 0 or private_loop_count < loop_count:
            res_prev = requests.get(‘https://news.cnblogs.com/NewsAjax/GetPreNewsById?contentId=‘ + curr_id)
            res_prev.raise_for_status()
            res_prev_dict = json.loads(res_prev.text)
            prev_id = res_prev_dict[‘ContentID‘]

            res_prev = requests.get(‘https://news.cnblogs.com/n/%s/‘ % prev_id)
            res_prev.raise_for_status()
            soup_prev = bs4.BeautifulSoup(res_prev.text, ‘html.parser‘)
            curr_id = get_info(soup_prev)

            private_loop_count += 1
    except:
        pass

# 获取下一篇文章信息
# curr_id : 新闻ID
# loop_count : 向下多少条，如果为0，则无限向下，直至结束
def get_next_info(curr_id, loop_count = 0):
    private_loop_count = 0
    try:
        while loop_count == 0 or private_loop_count < loop_count:
            res_next = requests.get(‘https://news.cnblogs.com/NewsAjax/GetNextNewsById?contentId=‘ + curr_id)
            res_next.raise_for_status()
            res_next_dict = json.loads(res_next.text)
            next_id = res_next_dict[‘ContentID‘]

            res_next = requests.get(‘https://news.cnblogs.com/n/%s/‘ % next_id)
            res_next.raise_for_status()
            soup_next = bs4.BeautifulSoup(res_next.text, ‘html.parser‘)
            curr_id = get_info(soup_next)

            private_loop_count += 1
    except:
        pass


# 参数从优先从命令行获取，如果无，则从剪切板获取
# url是博客园新闻版块下，任何一篇新闻
if len(sys.argv) > 1:
    url = sys.argv[1]
else:
    url = pyperclip.paste()

# 没有获取到有地址，则抛出异常
if not url:
    raise ValueError

# 开始从源地址中获取新闻内容
res = requests.get(url)
res.raise_for_status()
if not res.text:
    raise ValueError

#解析Html
soup = bs4.BeautifulSoup(res.text, ‘html.parser‘)
curr_id = get_info(soup)
print(‘backward...‘)
get_prev_info(curr_id)
print(‘forward...‘)
get_next_info(curr_id)
print(‘done‘)

 

运行

　　将以上源代码保存至D:/get_cnblogs_news.py ，windows平台下打开命令行工具cmd:

　　输入命令：py.exe D:/get_cnblogs_news.py https://news.cnblogs.com/n/570992/ 回车

　　解析：py.exe就不用解释了，第二个参数为python脚本文件，第三个参数为需要爬的源页面（代码里有另一种考虑，如果你将https://news.cnblogs.com/n/570992/这个url拷贝在系统剪贴板的时候，可以直接运行：py.exe D:/get_cnblogs_news.py

　　命令行输出界面（print）

　　

　　保存到csv文件的内容

　　

 

推荐菜鸟python学习书箱或资料：

　　1）廖雪峰的Python教程，很基础易懂：http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000

　　2）Python编程快速上手  让繁琐工作自动化.pdf

　　

文章仅是给自己学习python的日记，如有误导请批评指正（不喜勿喷），如对您有帮助，荣幸之至。