一个Python小白5个小时爬虫经历
前言
最近业余在做一个基于.NET Core的搜索项目，奈何基层代码写好了，没有看起来很华丽的数据供测试。很巧的也是博客搜索，于是乎想到了博客园。C#也能做做页面数据抓取的，不过在博客园看到的大部分都是python实现，所以就临时想了一下看看python到底是什么东东，不看基础语法，不看语言功能，直接上代码，哪里不会搜哪里。代码完成总共用时大概4个小时，其中搭建环境加安装BeautifulSoup大概1个小时。解析HTML用时间最多了，边看demo边解析，大概2个小时，剩下的时间就是调试加保存数据了。
环境搭建
既然用python，那么自然少不了语言环境。于是乎到官网下载了3.5版本的。安装完之后，随机选择了一个编辑器叫PyCharm，话说python编辑器还真挺多的。由于本人是小白，所以安装事项不在过多赘述。
建好项目，打开编辑器，直接开工。本来之前用C#写的时候，大体思路就是获取网页内容，然后正则匹配。后来发现网上的帖子也很多。不过在搜索过程中发现，不建议用正则来匹配HTML。有正好我的正则不太好，所以我就搜了一下HTML解析工具，果不其然，人家都做好了，直接拿来用吧。没错就是这个东东：BeautifulSoup 。安装也很简单，不过中间出了个小插曲，就是bs4没有。继续搜，然后需要用pip安装一下就好了。（当然我并不知道ps4和pip是什么鬼）
思路分析
博客吗，我当然就对准了博客园，于是乎，进入博客园首页，查看请求。
发送请求
当然我不知道python是怎么进行网络请求的，其中还有什么2.0和3.0的不同，中间曲曲折折了不少，最终还是写出了最简单的一段请求代码。
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 #获取数据 def requestCnblogs(index): print(\'请求数据\') 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
其实博客园这个请求还是挺标准的，哈哈正好适合抓取。因为他返回的就是一段html。（如果返回json那不是更好。。。。）
数据解析
上文已经提到了，用到的是BeautifulSoup，好处就是不用自己写正则，只要根据他的语法来写就好了，在多次的测试之后终于完成了数据的解析。先上一段HTML。然后在对应下面的代码，也许看起来更轻松一些。
<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> 转载请注明出处 Python2.6+ 增加了str.format函数，用来代替原有的\'%\'操作符 。它使用比\'%\'更加直观、灵活。下面详细介绍一下它的使用方法。 下面是使用\'%\'的例子: 格式很像C语言的printf是不是？由于\'%\'是一个操作符，只能在左右 两边各放一个参数，因此右边多个值需要用元组或 ... </p> <div class="post_item_foot"> <a href="http://www.cnblogs.com/hyper-xl/" class="lightblue">新月的力量_141</a> 发布于 2017-02-19 23:07 <span class="article_comment"> <a href="http://www.cnblogs.com/hyper-xl/p/6417741.html#commentform" title="" class="gray"> 评论(0) </a> </span> <span class="article_view"> <a href="http://www.cnblogs.com/hyper-xl/p/6417741.html" class="gray"> 阅读 (138) </a> </span> </div> </div> <div class="clear"></div> </div>
通过上文的HTML代码可以看到几点。首先每一条数据都在 div(class=”post_item”)下。然后 div(“post_item_body”)下有用户信息，标题，链接，简介等信息。逐一根据样式解析即可。代码如下：
from bs4 import BeautifulSoup import request import re #解析最外层 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 = [] #循环div获取详细信息 for item in all_div: blog = analyzeBlog(item) blogs.append(blog) return blogs #解析每一条数据 def analyzeBlog(item): result = {} a_title = find_all(item,\'a\',\'titlelnk\') if a_title is not None: # 博客标题 result["title"] = a_title[0].string # 博客链接 result["href"] = a_title[0][\'href\'] p_summary = find_all(item,\'p\',\'post_item_summary\') if p_summary is not None: # 简介 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"发布于 .+? .+? ", str) result["create_time"] = time[0].replace(\'发布于 \',\'\') 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)
上边一堆代码下来，着实花费了我不少时间，边写边调试，边百度~~不过还好最终还是出来了。等数据都整理好之后，然后我把它保存到了txt文件里面，以供其他语言来处理。本来想写个put直接put到ElasticSearch中，奈何没成功。后边在试吧，毕竟我的重点只是导数据，不在抓取这里。
import match import os import datetime import json def writeToTxt(list_name,file_path): try: #这里直接write item 即可，不要自己给序列化在写入，会导致json格式不正确的问题 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) +\'页已经完成\') 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)
上边呢，我取了一百页的数据，也就是大概2000条做测试。
成果验收
废了好大劲终于写完那些代码之后呢，就可以享受胜利的果实了，虽然是初学者，代码写的很渣，这参考一下，那参考一下，不过还是有些收获的。运行效果如下：
生成的文件：
文件内容：
总结
一个简单的抓取程序就写完了，python还真是TM的好用。以后有空再研究研究吧。代码行数算上空行和注释总共 100 （50+25+25） 行。凑个整数好看点~~现在认识字我感觉就可以上手写程序了。这里百度一下，那里google一下，问题就解决了，程序也出来了，大功告成。
是时候该和python暂时告别了，继续我的.NET事业。话说上次做rss采集的时候，好多“.NET要完蛋了”，“为什么我们不招.NET” 是什么鬼。 小伙伴们，下次见。