python学习第一弹:爬虫(抓取博客园新闻)
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python学习第一弹:爬虫(抓取博客园新闻)相关的知识,希望对你有一定的参考价值。
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。
以上是关于python学习第一弹:爬虫(抓取博客园新闻)的主要内容,如果未能解决你的问题,请参考以下文章