python学习笔记

Posted 2020-09-26

　　因为工作需要，经常需要到新浪某博客去找资料，在博文目录里一页页地肉眼搜索，看到合适的标题再点击开链接查看内容，知道合适地再复制下来。很烦人。于是一直有个想法，学会爬虫。

　　拿着单位发的购书卡去买了本入门的书《python编程从入门到实践》，凭着一点编程的底子，三个小时看完了基础部分，然后安装python就开始搜集各种网络文字教程，开始实践。

 

　　（一）正则标题式提取博文文字

　　新浪博客博文一句话可以放在几个标签里面，感觉很奇葩(也许就是我无知)。因为乱七八糟的缘故，sir学习了一下re正则表达式模块，然后开始动手

#导入request方法
from urllib import request
#导入正则表达式模块
import re

#打开网页，获取响应文本
response=request.urlopen(‘http://blog.sina.com.cn/s/blog_xxxxxxx.html‘)

#读取网页源码 不知道怎么表达这个东西
page=response.read()

#转码
js= page.decode(‘utf-8‘)

#编译匹配模式
pat=re.compile(r‘((?<=>)[^>]+?(?=</FONT>)|(?<=>)[^>]+?(?=</SPAN>))‘)

#匹配网页内容
match=re.findall(pat,js)

#若匹配则输出
if match:
    n=0
    for each_match in match:
        n+=1
        print(n," : "+each_match +‘\n‘)

　　正则匹配模式写得不够完美把极少数的无关的内容匹配出来，加上各种网络教程各种的看不懂，使得sir失去了努力的方向。

　　（二）根据Excel中的Url下载图片

　　时隔一个月，突然有了采集图片的机会，又让sir有了一点动力。因为URL已经通过其他爬虫采集到excel工作簿当中，于是sir又学习了一下第三方包openpyxl，之后又开始动手了。

from urllib import request                    #导入request函数
from openpyxl import load_workbook #导入load_workbook函数

#自定义一个根据url和图片文件名称为参数，自动下载图片的函数
def downloadImage(imageUrl,imagePath):
    response=request.urlopen(imageUrl)#访问图片地址，获得响应
    imageContents=response.read()#获取图片内容
    f=open(imagePath,‘wb‘)#打开文件
    f.write(imageContents)#写入内容
    f.close#关闭文件


#打开Excel workbook
wb=load_workbook(‘image.xlsx‘)
#指定工作表
ws=wb.active

#获取单元格内容 从第二行开始 到空白单元格结束
i=2
while ws.cell(row=i,column=1).value!=None:
   #生成文件名 A列为文件名称  
   Path= str(i-1)+‘_‘+ws.cell(row=i,column=1).value +‘.jpg‘
   #获取URL地址 B列为URL地址
   Url=ws.cell(row=i,column=2).value
   #调用函数下载图片
   downloadImage(imageUrl=Url,imagePath=Path) #循环下载图片

   print(‘已下载第‘+str(i-1)+‘张高清图片>>>‘)
   i+=1       

　　因为函数downloadimage内部没有添加异常处理，于是碰到request失败的时候，脚本就停止不动了。添加了异常处理之后，sir有发觉下载的速度真的好慢。于是第二天求助了一位相识。

　　（三）多线程下载图片

　　这位朋友发了一段代码，让我自己学习。研究之后sir发现了，把具体要做的事情，放到多线程下载那个类的内部，就可以使用多线程下载。速度立马快的飞起。30秒给我下了2000多张图片，高达1G，还好我及时终止了脚本。

同时Sir也学到异常处理怎么写，就是在json中找到图片地址那个写法一开始令人费解，花了一段时间才明白怎么回事。

import requests
import json
import threading

Default_Header = {
    #具体请求头自己去弄
}
_session=requests.session()
_session.headers.update(Default_Header)


#多线程下载
class myThread(threading.Thread):
    def __init__(self,imgUrl,fname):
        threading.Thread.__init__(self)
        self.imgUrl=imgUrl
        self.fname=fname
    def run(self):
        print("downloading",self.imgUrl)
        download(self.imgUrl,self.fname)

def download(fileid,type):
    img_url="http://img.hb.aicdn.com/"+fileid
    imgresp=requests.get(img_url)
    byte_img = imgresp.content
    try:
        out = open(type, ‘wb‘)
        out.write(byte_img)
        out.flush()
        out.close()
    except Exception as e:
        print(e)
if __name__ == "__main__":
    r =_session.get(‘http://huaban.com/pins/873774526/?xxxxxx‘)
    url=json.loads(r.text)
    urlList=url[‘pin‘][‘board‘][‘pins‘]
    for i in urlList:
        key=i[‘file‘][‘key‘]
        print(key)
        #download(key,key+‘.jpg‘)
        myThread(key,key+‘.jpg‘).start()

　　

　　（四）多线程采集改造

　

from urllib import request     
from bs4 import BeautifulSoup  
from openpyxl import Workbook   
import threading
import re
import time

#功能函数
def get_title(url):
    global n          #变量全局化
    global pageindex  #变量全局化
    #global ws        #为什么声明与不声明都一样？
    try:              #打开网页，保存试卷标题和链接
        r=request.urlopen(url,timeout=10) #打开网页，设置超时 response
        s=r.read()    #读取网页源码
        js=s.decode(‘utf-8‘) #网页转码
        soup=BeautifulSoup(js,‘lxml‘) #网页解析
        #正则查找子节点
        for a in soup.find_all(‘a‘,href=re.compile(r‘http://blog.sina.com.cn/s/blog‘)): 
            n+=1      #计数
            ws.cell(row=n+1,column=1).value=n             #写入序号
            ws.cell(row=n+1,column=2).value=a.string      #写入标题
            ws.cell(row=n+1,column=3).value=a.get(‘href‘) #写入链接
        print("download succeed >>>>"+url+‘\n‘)           #正常输出
    except  Exception as e:
        print("download failed  >>>>"+url+‘\n‘)           #异常输出
        
if __name__ ==‘__main__‘:#主线程
    start=time.time()    #开始时间
    filename=‘多线程爬取启迪慧想试题标题与链接.xlsx‘ #Excel文件名
    threads=[]           #新建线程列表
    wb=Workbook()        #新建工作簿
    ws=wb.active         #活动工作表
    n=0                  #初始化计数
    #输入表头
    ws.cell(row=n+1,column=1).value=‘序号‘
    ws.cell(row=n+1,column=2).value=‘标题‘
    ws.cell(row=n+1,column=3).value=‘链接‘

    #设置起止页码
    pageindex=1
    pagecount=10
    #filename=str(pagecount)+filename
    
    while pageindex<=pagecount:
        url=u‘http://blog.sina.com.cn/s/articlelist_xxxxxxxxx_0_‘+str(pageindex)+‘.html‘
        t=threading.Thread(target=get_title,args=(url,))#添加子线程
        threads.append(t) #加入线程列表
        pageindex+=1      #下一页

    
    for t in threads:
        t.setDaemon(True) #守护线程 必须在start()之前
        t.start()         #开始线程
                          #若t.join()放此处 则变成单线程
    for t in threads:
        t.join()          #线程等待 主线程必须在子线程执行结束之后 才能继续  
    
    wb.save(filename=filename) #保存工作簿
    end=time.time()       #结束时间
    print(‘Usedtime %f seconds!‘ % (end-start) +‘\n‘) #输出耗时！