Python进阶(十八)Python3爬虫小试牛刀
文章目录
- 一、前言
- 二、网址分析
- 三、获取标题
- 四、获取访问量
- 五、尾页判断
- 六、编程实现
- 七、注意事项
一、前言
这篇文章主要介绍了如何使用Python3
爬取csdn博客访问量的相关资料,在Python2
已实现的基础上实现Python3
爬虫,对比版本之间的差异所在,需要的朋友可以参考下。
使用python
来获取自己博客的访问量,也是后面将要开发项目的一部分,后边会对博客的访问量进行分析,以折线图和饼图等可视化的方式展示自己博客被访问的情况,使自己能更加清楚自己的哪些博客更受关注。其实,在较早之前博客专家本身就有这个功能,不知什么原因此功能被取消了。
二、网址分析
进入自己的博客页面,网址为:http://blog.csdn.net/sunhuaqiang1。 网址还是比较好分析的:就是csdn的网址+个人csdn登录账号,我们来看下一页的网址。
看到第二页的地址为:http://blog.csdn.net/sunhuaqiang1/article/list/2后边的数字表示现在正处于第几页,再用其他的页面验证一下,确实是这样的,那么第一页为什么不是http://blog.csdn.net/sunhuaqiang1/article/list/1呢,那么我们在浏览器中输http://blog.csdn.net/sunhuaqiang1/article/list/1试试,哎,果然是第一页啊,第一页原来是被重定向了,http://blog.csdn.net/sunhuaqiang1被重定向到http://blog.csdn.net/sunhuaqiang1/article/list/1,所以两个网址都能访问第一页,那么现在规律就非常明显了: http://blog.csdn.net/sunhuaqiang1/article/list/ + 页号
三、获取标题
右键查看网页的源代码,我们看到可以找到这样一段代码:
我们可以看到标题都是在标签
<span class="link_title">
<a href="/sunhuaqiang1/article/details/50651235">
...
</a>
</span>
所以我们可以使用下面的正则表达式来匹配标题:
<span class="link_title"><a href=".*?">(.*?)</a></span>
四、获取访问量
拿到了标题之后,就要获得对应的访问量了,经过对源码的分析,我看到访问量的结构都是这样的:
<span class="link_view" title="阅读次数"><a href="/sunhuaqiang1/article/details/51289580" title="阅读次数">阅读</a>(12718)</span>
括号中的数字即为访问量,我们可以用下面的正则表达式来匹配:
<span class="link_view".*?><a href=".*?" title="阅读次数">阅读</a>\((.*?)\)</span>
其中,’.?’的含义是启用正则懒惰模式。必须跟在或者+后边用。
如:“< img src=“test.jpg” width=“60px” height=“80px”/>"
如果用正则匹配src中内容非懒惰模式匹配
src=".*"
匹配结果是:src=“test.jpg” width=“60px” height=“80px”
意思是从="往后匹配,直到最后一个"匹配结束
懒惰模式正则:
src=".*?"
结果:src=“test.jpg”
因为匹配到第一个"就结束了一次匹配。不会继续向后匹配。因为他懒惰嘛。
.
表示除\n
之外的任意字符*
表示匹配0-无穷+
表示匹配1-无穷
五、尾页判断
接下来我们要判断当前页是否为最后一页,否则我们就不能判断什么时候结束了,我找到了源码中‘尾页’的标签,发现是下面的结构:
<a href="/sunhuaqiang1/article/list/2">下一页</a> <a href="/sunhuaqiang1/article/list/7">尾页</a>
所以我们可以用下面的正则表达式来匹配,如果匹配成功就说明当前页不是最后一页,否则当前页就是最后一页。
<a href=".*?">尾页</a>
六、编程实现
下面是摘自的Python2版完整的代码实现:
#!usr/bin/python
# -*- coding: utf-8 -*-
'''
Created on 2016年2月13日
@author: ***
使用python爬取csdn个人博客的访问量,主要用来练手
'''
import urllib2
import re
#当前的博客列表页号
page_num = 1
#不是最后列表的一页
notLast = 1
account = str(raw_input('输入csdn的登录账号:'))
while notLast:#首页地址baseUrl = 'http://blog.csdn.net/'+account#连接页号,组成爬取的页面网址myUrl = baseUrl+'/article/list/'+str(page_num)#伪装成浏览器访问,直接访问的话csdn会拒绝user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'headers = {'User-Agent':user_agent}#构造请求req = urllib2.Request(myUrl,headers=headers)#访问页面myResponse = urllib2.urlopen(req)myPage = myResponse.read()#在页面中查找是否存在‘尾页'这一个标签来判断是否为最后一页notLast = re.findall('<a href=".*?">尾页</a>',myPage,re.S)print '---------------第%d页-------------' % (page_num,)#利用正则表达式来获取博客的标题title = re.findall('<span class="link_title"><a href=".*?">(.*?)</a></span>',myPage,re.S)titleList=[]for items in title:titleList.append(str(items).lstrip().rstrip())#利用正则表达式获取博客的访问量view = re.findall('<span class="link_view".*?><a href=".*?" title="阅读次数">阅读</a>\((.*?)\)</span>',myPage,re.S)viewList=[]
for items in view:viewList.append(str(items).lstrip().rstrip())
#将结果输出
for n in range(len(titleList)):print '访问量:%s 标题:%s' % (viewList[n].zfill(4),titleList[n])
#页号加1
page_num = page_num + 1
由于自己现在的IDE为Python3,且自己在学习Python3。故在此基础上实现Python2项目的升级改造,并在改造过程中发现版本之间的差异性。以下为Python3版本下的爬虫代码。
#!usr/bin/python
# -*- coding: utf-8 -*-
'''
Created on 2017年3月19日
@author: SUN HuaQiang
目的:使用python爬取csdn个人博客的访问量,主要用来练手Python爬虫
收获:1.了解Python爬虫的基本过程2.在Python2的基础上实现Python3,通过对比发现版本之间的差异
'''
import urllib.request
import urllib
import re#当前的博客列表页号
page_num = 1
#初始化最后列表的页码
notLast = 1
account = str(input('请输入csdn的登录账号:'))
while notLast:#首页地址baseUrl = 'http://blog.csdn.net/' + account#连接页号,组成爬取的页面网址myUrl = baseUrl+'/article/list/' + str(page_num)#伪装成浏览器访问,直接访问的话csdn会拒绝user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'headers = {'User-Agent':user_agent}#构造请求req = urllib.request.Request(myUrl,headers=headers)#访问页面myResponse = urllib.request.urlopen(req)#python3中urllib.read返回的是bytes对象,不是string,得把它转换成string对象,用bytes.decode方法myPage = myResponse.read().decode()#在页面中查找是否存在‘尾页'这一个标签来判断是否为最后一页notLast = re.findall('<a href=".*?">尾页</a>', myPage, re.S)print ('-----------第%d页--------------' % (page_num,))#利用正则表达式来获取博客的标题title = re.findall('<span class="link_title"><a href=".*?">(.*?)</a></span>',myPage,re.S)titleList=[]for items in title:titleList.append(str(items).lstrip().rstrip())#利用正则表达式获取博客的访问量view = re.findall('<span class="link_view".*?><a href=".*?" title="阅读次数">阅读</a>\((.*?)\)</span>',myPage,re.S)viewList=[]for items in view:viewList.append(str(items).lstrip().rstrip())#将结果输出for n in range(len(titleList)):print ('访问量:%s 标题:%s' % (viewList[n].zfill(4),titleList[n]))#页号加1page_num = page_num + 1
下面是部分结果:
瑕疵:通过爬虫结果可以发现,在CSDN中,对于设置为指定的文章,爬取结果存在一定的问题,还包含部分css代码。
改善:通过更改获取博文标题的正则表达式,即可解决此问题。
想法是好的,但是直接利用正则实现标题获取时遇到了困难,暂时并未实现理想结果。
遂改变思路,将利用正则获取后的字符串再进行二次正则,即替换操作,语句如下:
for items in title:titleList.append(re.sub('<font color="red">.*?</font>', '', str(items).lstrip().rstrip()))
更改后的结果如下。并同时为每篇博文进行了编号。
同时,自己还希望获取到的信息包括:访问总量、积分、等级、排名、粉丝、原创、转载、译文、评论等数据信息。
以上信息在网页源码中如下所示。
<ul id="blog_rank"> <li>访问:<span>459285次</span></li> <li>积分:<span>9214</span> </li> <li >等级: <span style="position:relative;display:inline-block;z-index:1" > <img src="http://c.csdnimg.cn/jifen/images/xunzhang/jianzhang/blog6.png" alt="" style="vertical-align: middle;" id="leveImg"> <div id="smallTittle" style=" position: absolute; left: -24px; top: 25px; text-align: center; width: 101px; height: 32px; background-color: #fff; line-height: 32px; border: 2px #DDDDDD solid; box-shadow: 0px 2px 2px rgba (0,0,0,0.1); display: none; z-index: 999;"> <div style="left: 42%; top: -8px; position: absolute; width: 0; height: 0; border-left: 10px solid transparent; border-right: 10px solid transparent; border-bottom: 8px solid #EAEAEA;"></div> 积分:9214 </div> </span> </li> <li>排名:<span>第1639名</span></li> </ul> <ul id="blog_statistics"> <li>原创:<span>425篇</span></li> <li>转载:<span>44篇</span></li> <li>译文:<span>2篇</span></li> <li>评论:<span>108条</span></li> </ul>
则获取访问信息的正则表达式为:
#利用正则表达式获取博客信息
sumVisit = re.findall('<li>访问:<span>(.*?)</span></li>', myPage, re.S)
credit = re.findall('<li>积分:<span>(.*?)</span> </li>', myPage, re.S)
rank = re.findall('<li>排名:<span>(.*?)</span></li>', myPage, re.S)
grade = re.findall('<li >.*?<img src=.*?/blog(.*?).png.*?>.*?</li>', test3, re.S)
original = re.findall('<li>原创:<span>(.*?)</span></li>', myPage, re.S)
reprint = re.findall('<li>转载:<span>(.*?)</span></li>', myPage, re.S)
trans = re.findall('<li>译文:<span>(.*?)</span></li>', myPage, re.S)
comment = re.findall('<li>评论:<span>(.*?)</span></li>', myPage, re.S)
根据网页源码,可得出其正则表达式为
staData = re.findall('<li><a href=.*?>(.*?)</a><span>(.*?)</span></li>', myPage, re.S)for i in staData:print(i[0] + ':' + i[1].lstrip('(').rstrip(')')+'篇')
经过以上操作,得到的用户Blog信息如下图所示:
最终遇到的问题是:有关粉丝数的爬取遇到了问题,因为前面数据信息的获取不需要用户登录,而用户粉丝数是在用户已登录情景下获取的,故需要将用户登录信息添加进去。犯愁~
PS:论文盲审送回来了,自己这段时间要用来修改论文了,后面的博客后面再说吧~
七、注意事项
urllib2
在3.5中为urllib.request
;raw_input()
在3.5中为input()
;- python3中
urllib.read()
返回的是bytes对象,不是string,得把它转换成string对象,用bytes.decode()
方法; - re.S意在使.匹配包括换行在内的所有字符;
- python3对
urllib
和urllib2
进行了重构,拆分成了urllib.request
,urllib.response,urllib.parse,urllib.error
等几个子模块,这样的架构从逻辑和结构上说更加合理。urljoin
现在对应的函数是urllib.parse.urljoin
。
注:Python2部分的爬虫代码为网络获取,在此向匿名人士表示感谢。
Python进阶(十八)Python3爬虫小试牛刀相关推荐
- Python进阶之Scrapy-redis分布式爬虫抓取当当图书
Python进阶之Scrapy-redis分布式爬虫抓取当当图书 1. 准备工作 1.1 安装scrapy-redis 1.2 在windows安装redis程序 1.3 打开redis服务 2. 需 ...
- 以下用于数据存储领域的python第三方库是-Python3爬虫学习之MySQL数据库存储爬取的信息详解...
本文实例讲述了Python3爬虫学习之MySQL数据库存储爬取的信息.分享给大家供大家参考,具体如下: 数据库存储爬取的信息(MySQL) 爬取到的数据为了更好地进行分析利用,而之前将爬取得数据存放在 ...
- tensorflow精进之路(十八)——python3网络爬虫(中)
1.概述 上一节简单的介绍了一些python3网络爬虫的知识,这一节就运用上一节的知识写个小demo,用于爬去汽车之家网站的汽车厂商及车型名称. 2.打开待爬取网页 打开汽车之家官网, https:/ ...
- Python进阶(十) -- 网络爬虫
用Python获取网络数据 网络数据采集是 Python 语言非常擅长的领域,上节课我们讲到,实现网络数据采集的程序通常称之为网络爬虫或蜘蛛程序.即便是在大数据时代,数据对于中小企业来说仍然是硬伤和短 ...
- Python进阶之前端和爬虫基础
前端和爬虫基础 一.了解前端页面源代码 1.了解前端页面源代码的构成 html全称HyperText Mackeup Language,翻译为超文本标记语言,它不是一种编程语言,是一种描述性的标记语言 ...
- Python进阶(四十一)Python3解决“tuple parameter unpacking is not supported in python3”
文章目录 一.问题分析 二.替换方案 一.问题分析 在解决图像配准过程中, 涉及到如下代码, return reduce(lambda x, (y, z): x | (z << y), e ...
- python三十八:re模块
正则表达式(re模块)是一种小型的,高度专业化的编程语言.(在python中)它内嵌在python中,并通过re模块实现.正则表达式模块被编译成一系列字节码,然后由用c编写的匹配引擎执行. 正则就是处 ...
- python二十八:模块
模块: 在python中,一个.pywe文件称为一个模块. 使用模块,可以提高代码的可维护性. 分类: 1.python标准库 2.第三方模块 3.应用程序自定义模块 import做了两件 ...
- [Python图像处理] 十八.图像锐化与边缘检测之Scharr算子、Canny算子和LOG算子
该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门.OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子.图像增强技术.图像分割等,后期结合深度学习研究图像识别 ...
最新文章
- oracle重建实例_记一次误删Oracle控制文件并恢复过程
- 美团分布式服务治理框架OCTO之一:服务治理
- inode与block详解
- wechaty QR code not recognizable..
- 算法2:判断两个字符串内容是否相同
- BZOJ3775 : 点和直线
- java后台http请求完成之后怎么setcookie_关于HTTP的那些事和cookie
- php curl伪装cookies,php curl 添加cookie伪造登陆抓取数据
- 获取Linux命令源代码的方法
- 2020运动相机推荐_2020年优秀户外运动相机推荐
- linux fdisk 分区
- 没有php5.sowenjian_(转)LINUX下PHP编译添加相应的动态扩展模块so(不需要重新编译PHP,以openssl.so为例...
- 网页版bpc电波对时_bpc电波对时app下载
- 人工智能名片到底有什么神奇之处?
- java LPT1_com1/lpt1/prn/nul 木马后门处理方法集合
- Electron 去掉标题栏并设定可拖动
- 【编译原理】自上而下分析与LL文法
- 2020.8.20 斗鱼Android开发一面面经
- 名企笔试真题精选 (六)
- 多种图像配准方法的综合比较(KAZE、SIFT、SURF等)