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  >  IT编程

Python爬虫入门教程——爬取自己的博客园博客

程序员文章站 2023-11-13 12:16:10
互联网时代里,网络爬虫是一种高效地信息采集利器,可以快速准确地获取网上的各种数据资源。本文使用Python库requests、Beautiful Soup爬取CSDN博客的相关信息,利用txt文件转存。 基础知识: 网络爬虫是一种高效地信息采集利器,利用它可以快速、准确地采集互联网上的各种数据资源, ......

互联网时代里,网络爬虫是一种高效地信息采集利器,可以快速准确地获取网上的各种数据资源。本文使用python库requests、beautiful soup爬取csdn博客的相关信息,利用txt文件转存。

基础知识:

网络爬虫是一种高效地信息采集利器,利用它可以快速、准确地采集互联网上的各种数据资源,几乎已经成为大数据时代it从业者的必修课。简单点说,网络爬虫就是获取网页并提取和保存信息的自动化过程,分为下列三个步骤:获取网页、提取信息、保存数据。

1.获取网页

使用requests发送get请求获取网页的源代码。以获取百度为例:

import requests
response = requests.get('https://www.baidu.com')
print(response.text)

2.提取信息

beautiful soup是python的一个html或xml解析库,速度快,容错能力强,可以方便、高效地从网页中提取数据。基本用法:

from bs4 import beautifulsoup
soup = beautifulsoup(html, 'lxml')
print(soup.prettify())
print(soup.title.string)

beautiful soup方法选择器:

find_all()查询符合条件的所有元素,返回所有匹配元素组成的列表。api如下:

find_all(name,attrs,recursive,text,**kwargs)

find()返回第一个匹配的元素。举个栗子:

from bs4 import beautifulsoup
soup = beautifulsoup(html, 'lxml')
print(soup.find('div', attrs={'class': 'article-list'}))

3.保存数据

使用txt文档保存,兼容性好。

使用with as语法。在with控制块结束的时候,文件自动关闭。举个栗子:

with open(file_name, 'a') as file_object:
    file_object.write("i love programming.\n")
    file_object.write("i love playing basketball.\n")

分析页面:

要爬取的页面是博客园“我的博客”:。

使用chrome的开发者工具(快捷键f12),可以查看这个页面的源代码。

html代码说白了其实就是一棵树,这棵树的根节点为html标签,head标签和body标签是它的子节点,当然有时候还会有script标签。body标签下面又会有许多的p标签、div标签、span标签、a标签等,共同构造了这棵大树。

可以很容易看到这个页面的博文列表是一个id为maincontent的div。

Python爬虫入门教程——爬取自己的博客园博客

 在class为posttitle的div里面可以找到链接和标题,这就是本文爬取的目标。

 Python爬虫入门教程——爬取自己的博客园博客

编写代码:

获取网页使用requests ,提取信息使用beautiful soup,存储使用txt就可以了。

# coding: utf-8
import re
import requests
from bs4 import beautifulsoup

def get_blog_info():
    headers = {'user-agent': 'mozilla/5.0 (x11; linux x86_64) '
                             'applewebkit/537.36 (khtml, like gecko) '
                             'ubuntu chromium/44.0.2403.89 '
                             'chrome/44.0.2403.89 '
                             'safari/537.36'}
    html = get_page(blog_url)
    soup = beautifulsoup(html, 'lxml')
    article_list = soup.find('div', attrs={'id': 'maincontent'})
    article_item = article_list.find_all('div', attrs={'class': 'posttitle'})
    for ai in article_item:
        title = ai.a.text
        link = ai.a['href']
        print(title)
        print(link)
        write_to_file(title+'\t')
        write_to_file(link+'\n')


def get_page(url):
    try:
        headers = {'user-agent': 'mozilla/5.0 (x11; linux x86_64) '
                                 'applewebkit/537.36 (khtml, like gecko) '
                                 'ubuntu chromium/44.0.2403.89 '
                                 'chrome/44.0.2403.89 '
                                 'safari/537.36'}
        response = requests.get(blog_url, headers=headers, timeout=10)
        return response.text
    except:
        return ""


def write_to_file(content):
    with open('article.txt', 'a', encoding='utf-8') as f:
        f.write(content)


if __name__ == '__main__':
    blog_url = "https://www.cnblogs.com/sgh1023/"
    get_blog_info()

爬取结果:

Python爬虫入门教程——爬取自己的博客园博客

Python爬虫入门教程——爬取自己的博客园博客