欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

仿9GAG制作过程(二)

程序员文章站 2022-07-06 11:04:41
...

有话要说

这次准备讲述用python爬虫以及将爬来的数据存到MySQL数据库的过程,爬的是煎蛋网的无聊图。

成果

仿9GAG制作过程(二)
仿9GAG制作过程(二)

准备

  1. 下载了python3.7并配置好了环境变量
  2. 下载了PyCharm作为开发pythonIDE
  3. 安装了MySQL客户端以及服务端
  4. 安装了Navicat客户端
  5. 通过pip命令下载安装beautifulsoupselenium以及pymysql模块,pip命令如下:
pip install beautifulsoup4
pip install selenium
pip install pymysql

观察“无聊图”网页源码

先上部分源码:

<li id="comment-3838846">
    <div>
        <div class="row">
            <div class="author"><strong
                    title="防伪码:fc33b015c2b4d50cd1a23007810b09f049f1407d" class="orange-name">猴子</strong> <br>
                <small><a href="#footer" title="@回复"
                          onclick="document.getElementById('comment').value += &#39;@&lt;a href=&quot;//jandan.net/pic/page-185#comment-3838846&quot;&gt;猴子&lt;/a&gt;: &#39;">@4
                    days ago</a></span></small>
            </div>
            <div class="text"><span class="righttext"><a
                    href="//jandan.net/pic/page-185#comment-3838846">3838846</a></span>
                <p>这个盖字是怎么翻译出来的<br/>
                    <img src="//img.jandan.net/img/blank.gif" onload="jandan_load_img(this)"/><span class="img-hash">Ly93dzMuc2luYWltZy5jbi9tdzYwMC8wMDZYTkVZN2d5MWZydm84MHg0Mm1qMzFrdzIzdmF6cS5qcGc=</span>
                </p>
            </div>
            <div class="jandan-vote">
                            <span class="comment-report-c">
                                <a title="投诉" href="javascript:;" class="comment-report" data-id="3838846">[投诉]</a>
                            </span>
                <span class="tucao-like-container">
                            <a title="圈圈/支持" href="javascript:;" class="comment-like like" data-id="3838846"
                               data-type="pos">OO</a> [<span>52</span>]
                            </span>
                <span class="tucao-unlike-container">
                            <a title="叉叉/反对" href="javascript:;" class="comment-unlike unlike" data-id="3838846"
                               data-type="neg">XX</a> [<span>13</span>]

                            <a href="javascript:;" class="tucao-btn" data-id="3838846"> 吐槽 [16] </a>
                            </span>
            </div>
        </div>
    </div>
</li>

发现在源码里边图片链接并没有直接显示出来,而是在js中加载的。因此,不能用普通的爬虫方式来获取图片链接。

看了许多博客,最终决定采用Python3+BeautifulSoup+selenium的方式来抓取。

selenium用来获取网页链接数据,BeautifulSoup用来解析获取的网页源码。

selenium相当于一个小型浏览器,可以直接获取完整的网页源码,获取之后的网页源码如下所示:

<li id="comment-3838846">
    <div>
        <div class="row">
            <div class="author"><strong title="防伪码:fc33b015c2b4d50cd1a23007810b09f049f1407d"
                                        class="orange-name">猴子</strong> <br>
                <small><a href="#footer" title="@回复"
                          onclick="document.getElementById('comment').value += '@<a href=&quot;//jandan.net/pic/page-185#comment-3838846&quot;>猴子</a>: '">@4
                    days ago</a></small>
            </div>
            <div class="text"><span class="righttext"><a
                    href="//jandan.net/pic/page-185#comment-3838846">3838846</a></span>
                <p>这个盖字是怎么翻译出来的<br>
                    <a href="//ww3.sinaimg.cn/large/006XNEY7gy1frvo80x42mj31kw23vazq.jpg" target="_blank"
                       class="view_img_link">[查看原图]</a><br><img
                            src="http://ww3.sinaimg.cn/mw600/006XNEY7gy1frvo80x42mj31kw23vazq.jpg"
                            style="max-width: 100%; max-height: 450px;"></p>
            </div>
            <div class="jandan-vote">
                            <span class="comment-report-c">
                                <a title="投诉" href="javascript:;" class="comment-report" data-id="3838846">[投诉]</a>
                            </span>
                <span class="tucao-like-container">
                            <a title="圈圈/支持" href="javascript:;" class="comment-like like" data-id="3838846"
                               data-type="pos">OO</a> [<span>52</span>]
                            </span>
                <span class="tucao-unlike-container">
                            <a title="叉叉/反对" href="javascript:;" class="comment-unlike unlike" data-id="3838846"
                               data-type="neg">XX</a> [<span>13</span>]

                            <a href="javascript:;" class="tucao-btn" data-id="3838846"> 吐槽 [16] </a>
                            </span>
            </div>
        </div>
    </div>
</li>

注意到,class="row"div是我们需要的,并且不包含我们不需要的部分,因此就可以通过class="row"来获取需要的数据。

又因为一条段子包含的信息有:一个标题(有些有有些没有),若干张图片,点赞数,点踩数。因此设计数据库表如下。

数据库表设计

因为以上的信息,故设计了两张表。
一张表用来存放段子的基本信息,包括主键、标题、点赞数、点踩数;
另一张表用来存放段子包含的图片链接,包括主键、图片链接、段子主键。
用段子主键来相互关联,主要SQL语句如下:

CREATE TABLE `news` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '段子标识',
  `title` varchar(255) CHARACTER SET utf8 COLLATE utf8_general_ci DEFAULT NULL COMMENT '段子标题',
  `like` int(11) DEFAULT NULL COMMENT '点赞数',
  `unlike` int(11) DEFAULT NULL COMMENT '点踩数',
  PRIMARY KEY (`id`)
) 

CREATE TABLE `news_pics` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '图片标识',
  `url` varchar(255) DEFAULT NULL COMMENT '图片链接',
  `newsid` int(11) NOT NULL COMMENT '段子标识',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=319 DEFAULT CHARSET=utf8;

主体部分

接着,阅读了Python爬取煎蛋妹子图以及python+selenium+PhantomJS爬取网页动态加载内容之后,实现了利用python进行抓取数据解析数据的过程,先上代码:

 coding=utf-8
import re
import pymysql
from bs4 import BeautifulSoup
from selenium import webdriver

base_url = "http://jandan.net/pic/page-"
driver = webdriver.PhantomJS()

items = []
urls = ["http://jandan.net/pic/page-{}#comments".format(str(i)) for i in range(50689352, 50689355)]

db = pymysql.connect(host="localhost", user="root", password="root", db="imitating9gag", charset="utf8")
cursor = db.cursor()

sql_news = '''INSERT INTO `imitating9gag`.`news` (`id`, `title`, `like`, `unlike`) VALUES ('%d', '%s', '%d', '%d')'''
sql_pics = '''INSERT INTO `imitating9gag`.`news_pics` (`id`, `url`, `newsid`) VALUES ('%d', '%s', '%d')'''

if __name__ == "__main__":
    for url in urls:
        driver.get(url)
        data = driver.page_source
        soup = BeautifulSoup(data, "html.parser")
        divs = soup.findAll('div', attrs={'class': 'row'})

         遍历所有的项
        for div in divs:
             'title'代表的是文字,'urls'代表的是图片的集合,'like'代表的是点赞数,'unlike'代表的是踩
            item = {}
            urls = []

            item['like'] = div.find('span', attrs={'class': 'tucao-like-container'}).find('span').string
            item['unlike'] = div.find('span', attrs={'class': 'tucao-unlike-container'}).find('span').string

            paragraph = div.find(attrs={'class': 'text'}).find("p")

             获取所有的图片链接
            links = paragraph.select("a.view_img_link")
            for link in links:
                urls.append("http:" + link.get('href'))
            item['urls'] = urls

             获取最开始的文字部分
            title = re.search('<p>[\s\S]+?<a', str(paragraph))

            if title is not None and title.group()[3:-8] is not None \
                    and title.group()[3:-8].find('view_img_link') == -1:
                item['title'] = title.group()[3:-8]
            else:
                item['title'] = ""

            items.append(item)

    i = 1
    j = 1
    try:
        for item in items:
             插入新闻数据
            cursor.execute(sql_news % (i, item['title'], int(item['like']), int(item['unlike'])))
             插入图片数据
            for tempUrl in item['urls']:
                cursor.execute(sql_pics % (j, tempUrl, i))
                j = j+1
            i = i+1
        db.commit()
    except Exception as e:
        print(e)
        print(item)
        db.rollback()
    db.close()

注意点

  • 在用pymysql的时候,如果插入的数据有中文,则在connect的时候需要设置charset,见13行
  • 44行在获取title的时候用了正则表达式,最开始直接用[.+]并不会匹配换行符,因此换成了[\s\S]\s匹配空白符,\S匹配非空白符,因此可以匹配所有的字符
  • 最开始准备使用MySQLdb来操作数据库,但是python3不支持,于是换成了pymysql来操作数据库

至此,后台数据已经获取完成,接下来是后台接口的开发,准备采用JavaServlet来实现后台接口的开发。

反思

  • python语法掌握的不足,一些简单的语法需要通过查询才知道怎么用,需要找一个时间完整的学习一边python语法
  • 对正则表达式的使用不熟练,以后需要加强对正则表达式使用的练习
  • 本次代码仅作学习用,没有进行优化,也没有考虑到一些特殊的情况
  • 通过这次学习到了python语法+爬虫基本步骤+数据库的整体设计+解析网页源码
  • 如果title中有表情,保存数据库会报错,该问题正在解决