爬取博客园有关爬虫的文章

　　　　最近自己的测试小圈子里都在讨论爬虫，发现我装逼都困难了许多，所以决定快速补充一下这方面的东西。

　　　　到网上找了点视频，实在是看不进去（主要是对装逼没有什么帮助），然后又由于略微懒得原因就写了这个小东西。

　　　　没有封装，流水账式写法，比较简陋，各位客官（dalao）见谅。

 1 # coding: utf-8
 2 import requests
 3 from bs4 import beautifulsoup
 4 # 定义变量，这里可以用一个
 5 d = 1
 6 p = 0
 7 k = 0
 8 reptilian_url = []
 9 reptilian_title = []
10 # 打开session
11 s = requests.session()
12 # 伪装头部
13 h = {
14     'user-agent':'mozilla/5.0 (windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) chrome/55.0.2883.87 ubrowser/6.2.4094.1 safari/537.36',
15     'accept-encoding':'gzip, deflate, br'
16 }
17 # 从第1页到最大页数的url，总共有200页，这个数值也可以从页面读取
18 while d in range(200):
19     url = 'https://www.cnblogs.com/cate/python/%d'% d
20     r = s.get(url, headers=h)
21     t = r.text
22     soup = beautifulsoup(t, 'lxml')
23     list = soup.select('div.post_item_body h3')
24     list2 = soup.find_all(attrs={'class':"titlelnk"})
25     while p < d:
26         # 把标题写入空列表
27         for z1 in list:
28             reptilian_title.append(z1.string)
29         # 把url写入空列表
30         for u1 in list2:
31             reptilian_url.append(u1['href'])
32         p += 1
33     d += 1
34 # 打印爬取的总数据量
35 print(len(reptilian_title))
36 # 加入筛选条件，包含爬虫字段的帖子
37 while k < len(reptilian_title):
38     if '爬虫' in reptilian_title[k]:
39         print(k+1,'%s'%reptilian_title[k],'','%s'%reptilian_url[k])
40         print('===============================')
41     k += 1

　　　　可以给中间加一小段，写到文档里，保存下来偷偷看。

1 reptilian = open('1.txt', 'a')
2 reptilian.writelines(['标题：',reptilian_title,' ','url：',reptilian_url])
3 reptilian.close()