一個Python小白5個小時爬蟲經歷

前言

　　最近業余在做一個基於.NET Core的搜索項目，奈何基層代碼寫好了，沒有看起來很華麗的數據供測試。很巧的也是博客搜索，於是乎想到了博客園。C#也能做做頁面數據抓取的，不過在博客園看到的大部分都是python實現，所以就臨時想了一下看看python到底是什么東東，不看基礎語法，不看語言功能，直接上代碼，哪里不會搜哪里。代碼完成總共用時大概4個小時，其中搭建環境加安裝BeautifulSoup大概1個小時。解析HTML用時間最多了，邊看demo邊解析，大概2個小時，剩下的時間就是調試加保存數據了。

環境搭建

　　既然用python，那么自然少不了語言環境。於是乎到官網下載了3.5版本的。安裝完之后，隨機選擇了一個編輯器叫PyCharm，話說python編輯器還真挺多的。由於本人是小白，所以安裝事項不在過多贅述。

　　

　　建好項目，打開編輯器，直接開工。本來之前用C#寫的時候，大體思路就是獲取網頁內容，然后正則匹配。后來發現網上的帖子也很多。不過在搜索過程中發現，不建議用正則來匹配HTML。有正好我的正則不太好，所以我就搜了一下HTML解析工具，果不其然，人家都做好了，直接拿來用吧。沒錯就是這個東東：BeautifulSoup 。安裝也很簡單，不過中間出了個小插曲，就是bs4沒有。繼續搜，然后需要用pip安裝一下就好了。（當然我並不知道ps4和pip是什么鬼）

　　

思路分析

　　博客嗎，我當然就對准了博客園，於是乎，進入博客園首頁，查看請求。

　　

發送請求

　　當然我不知道python是怎么進行網絡請求的，其中還有什么2.0和3.0的不同，中間曲曲折折了不少，最終還是寫出了最簡單的一段請求代碼。

　　

import urllib.parse
import urllib.request

# params  CategoryId=808 CategoryType=SiteHome ItemListActionName=PostList PageIndex=3 ParentCategoryId=0 TotalPostCount=4000
def getHtml(url,values):
    user_agent='Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36'
    headers = {'User-Agent':user_agent}
    data = urllib.parse.urlencode(values)
    response_result = urllib.request.urlopen(url+'?'+data).read()
    html = response_result.decode('utf-8')
    return html

#獲取數據
def requestCnblogs(index):
    print('請求數據')
    url = 'http://www.cnblogs.com/mvc/AggSite/PostList.aspx'
    value= {
         'CategoryId':808,
         'CategoryType' : 'SiteHome',
         'ItemListActionName' :'PostList',
         'PageIndex' : index,
         'ParentCategoryId' : 0,
        'TotalPostCount' : 4000
    }
    result = getHtml(url,value)
    return result

　　其實博客園這個請求還是挺標准的，哈哈正好適合抓取。因為他返回的就是一段html。（如果返回json那不是更好。。。。）

數據解析

　　上文已經提到了，用到的是BeautifulSoup，好處就是不用自己寫正則，只要根據他的語法來寫就好了，在多次的測試之后終於完成了數據的解析。先上一段HTML。然后在對應下面的代碼，也許看起來更輕松一些。

<div class="post_item">
    <div class="digg">
        <div class="diggit" onclick="DiggPost('hyper-xl',6417741,281238,1)">
            <span class="diggnum" id="digg_count_6417741">1</span>
        </div>
        <div class="clear"></div>
        <div id="digg_tip_6417741" class="digg_tip"></div>
    </div>
    <div class="post_item_body">
        <h3><a class="titlelnk" href="http://www.cnblogs.com/hyper-xl/p/6417741.html" target="_blank">Python 字符串格式化</a></h3>


        <p class="post_item_summary">
            <a href="http://www.cnblogs.com/hyper-xl/" target="_blank">
                <img width="48" height="48" class="pfs"
                     src="//pic.cnblogs.com/face/795666/20160421231717.png" alt="" />
            </a>    轉載請注明出處 Python2.6+ 增加了str.format函數，用來代替原有的'%'操作符

            。它使用比'%'更加直觀、靈活。下面詳細介紹一下它的使用方法。 下面是使用'%'的例子: 格式很像C語言的printf是不是？由於'%'是一個操作符，只能在左右

            兩邊各放一個參數，因此右邊多個值需要用元組或 ...
        </p>

        <div class="post_item_foot">
            <a href="http://www.cnblogs.com/hyper-xl/" class="lightblue">新月的力量_141</a>
            發布於 2017-02-19 23:07
            <span class="article_comment">
                <a href="http://www.cnblogs.com/hyper-xl/p/6417741.html#commentform" title="" class="gray">
                    評論(0)
                </a>
            </span>
            <span class="article_view">
                <a href="http://www.cnblogs.com/hyper-xl/p/6417741.html" class="gray">
                    閱讀

                    (138)
                </a>
            </span>
        </div>
    </div>
    <div class="clear"></div>
</div>

　　通過上文的HTML代碼可以看到幾點。首先每一條數據都在 div(class="post_item")下。然后 div("post_item_body")下有用戶信息，標題，鏈接，簡介等信息。逐一根據樣式解析即可。代碼如下：

from bs4 import BeautifulSoup
import request
import re

#解析最外層
def blogParser(index):

  cnblogs = request.requestCnblogs(index)
  soup = BeautifulSoup(cnblogs, 'html.parser')
  all_div = soup.find_all('div', attrs={'class': 'post_item_body'}, limit=20)

  blogs = []
  #循環div獲取詳細信息
  for item in all_div:
      blog = analyzeBlog(item)
      blogs.append(blog)

  return blogs

#解析每一條數據
def analyzeBlog(item):
    result = {}
    a_title = find_all(item,'a','titlelnk')
    if a_title is not None:
        # 博客標題
        result["title"] = a_title[0].string
        # 博客鏈接
        result["href"] = a_title[0]['href']
    p_summary = find_all(item,'p','post_item_summary')
    if p_summary is not None:
        # 簡介
        result["summary"] = p_summary[0].text
    footers = find_all(item,'div','post_item_foot')
    footer = footers[0]
    # 作者
    result["author"] = footer.a.string
    # 作者url
    result["author_url"] = footer.a['href']
    str = footer.text
    time = re.findall(r"發布於 .+? .+? ", str)
    result["create_time"] = time[0].replace('發布於 ','')

    comment_str = find_all(footer,'span','article_comment')[0].a.string
    result["comment_num"] = re.search(r'\d+', comment_str).group()

    view_str = find_all(footer,'span','article_view')[0].a.string
    result["view_num"] = re.search(r'\d+', view_str).group()

    return result

def find_all(item,attr,c):
    return item.find_all(attr,attrs={'class':c},limit=1)

　　上邊一堆代碼下來，着實花費了我不少時間，邊寫邊調試，邊百度~~不過還好最終還是出來了。等數據都整理好之后，然后我把它保存到了txt文件里面，以供其他語言來處理。本來想寫個put直接put到ElasticSearch中，奈何沒成功。后邊在試吧，畢竟我的重點只是導數據，不在抓取這里。

import match
import os
import datetime
import json

def writeToTxt(list_name,file_path):
    try:
        #這里直接write item 即可，不要自己給序列化在寫入，會導致json格式不正確的問題
        fp = open(file_path,"w+",encoding='utf-8')
        l = len(list_name)
        i = 0
        fp.write('[')
        for item in list_name:
            fp.write(item)
            if i<l-1:
                fp.write(',\n')
            i += 1
        fp.write(']')
        fp.close()
    except IOError:
        print("fail to open file")

#def getStr(item):
#   return json.dumps(item).replace('\'','\"')+',\n'

def saveBlogs():
    for i in range(1,2):
        print('request for '+str(i)+'...')
        blogs = match.blogParser(i,5)
        #保存到文件
        path = createFile()
        writeToTxt(blogs,path+'/blog_'+ str(i) +'.json')
        print('第'+ str(i) +'頁已經完成')
    return 'success'

def createFile():
    date = datetime.datetime.now().strftime('%Y-%m-%d')
    path = '/'+date
    if os.path.exists(path):
        return path
    else:
        os.mkdir(path)
        return path

result = saveBlogs()
print(result)

 

　　上邊呢，我取了一百頁的數據，也就是大概2000條做測試。

成果驗收

　　廢了好大勁終於寫完那些代碼之后呢，就可以享受勝利的果實了，雖然是初學者，代碼寫的很渣，這參考一下，那參考一下，不過還是有些收獲的。運行效果如下：

　　

　　生成的文件：

　　

　　文件內容：

　　

總結

　　一個簡單的抓取程序就寫完了，python還真是TM的好用。以后有空再研究研究吧。代碼行數算上空行和注釋總共 100 （50+25+25） 行。湊個整數好看點~~現在認識字我感覺就可以上手寫程序了。這里百度一下，那里google一下，問題就解決了，程序也出來了，大功告成。

　　是時候該和python暫時告別了，繼續我的.NET事業。話說上次做rss采集的時候，好多“.NET要完蛋了”，“為什么我們不招.NET” 是什么鬼。 小伙伴們，下次見。