摘要:如果有人有兴趣的话,可以编写则个下面,我会说明在编写爬虫过程中的所思所想。文章读取完毕最后,还要再编写一个语句,判断是运行还是导入。文章结束前的一些话嗯,本文到这里就结束了。
今天,根据网页的结构,尝试了下如何抓取煎蛋首页上的文章。目标很简单:
根据首页上面的文章链接,载入文章,而后将文章的标题和正文(不带图片)抓取下来。
抓取首页上面文章的链接,标题,作者和所属标签。
按标题将文章写入一个.txt格式的文件
将首页上抓取的内容整合起来,制作成格式如下的Markdown简介。
首页的简介格式如下:
**文章标题**:鲸鱼有鲸语,鲸语有口音 **文章链接**:[http://jandan.net/2016/02/18/caribbean-whales.html](http://jandan.net/2016/02/18/caribbean-whales.html) **译者**:Cedric **标签**:走进科学 ...
如此反复即可。这里要说明下,由于煎蛋首页和余下页码的网页结构不同,我没有再写余下页面的简介。如果有人有兴趣的话,可以编写则个~下面,我会说明在编写爬虫过程中的所思所想。
1. 爬虫前的准备我这里使用了Python中的以下模块:
beautifulsoup:第三方模块,用于解析网页内容。
requests:第三方模块,用于获取网页内容。
re:内置模块,用于编写正则表达式
codecs:内置模块,用于操作文件
这便是全部准备了。在这里要多嘴一句,包括re模块在内都存在替代品,如果需要可以根据自己的喜好来选择。
2. 分析程序逻辑在编写代码之前,要分析如何抓取并处理网页。以抓取一篇文章鲸鱼有鲸语,鲸语有口音为例。我们要实现:
下载网页,获取数据——源代码或者json数据
解析数据,从数据中抽出我们需要的内容——这里是文章标题和文章内容(只有文字)
整理数据,将解析好的数据写入文件中。
这样,可以根据实现的内容,将代码分为三个部分,用函数来整合:
download_page(url):接受一个URL(通常是网址),下载网页,而后获取数据(当然,不止下载网页而已,还有很多内容,但对于现在来说,这么讲就好)
parse_article(data):接受上面的函数返回的data,并解析为我们需要的内容
write_article(title, content):接受上面的函数返回的标题和文章内容,并写入文件中。
这三个部分中,现在我感觉最难的是其中的parse_article(data)。当然,一部分是因为我的经验不足,经常要花很长时间才找到需要的内容。这里,推荐读者在浏览器中使用右键——查找元素来辅助解析网页。
当明白怎么爬取一篇文章的时候,爬取其他内容就是一些细节上的事情了。细节上的内容可以通过模块的文档来获取。我提到的两个第三方模块的中文资料都比较丰富(百度一下即可),所以不再赘述。这里只说明几个需要注意下的细节:
在发送请求的时候,网页可能会通过检查头信息中的User-Agent来判断是否是一个人浏览网页。最简单的解决问题的方法就是自己写一个头信息,伪装成一个人。
如果抓取的频率过快,可能会被服务器拒绝访问,如果IP被封了就完了。这里有两个解决问题的思路:
使用IP代理,轮换IP访问网页
设置一个简单的爬虫测试服务器可以接受的访问频率,从慢而快的访问网页。(就是看服务器的忍受程度是多少)
网页上通常不止有一个地方包含了我们所需的内容(比如有两个块可以实现下一页的功能),所以,一个块难解析可以使用另一个块,变通下嘛~
3. 爬虫实例这里以抓取一篇文章鲸鱼有鲸语,鲸语有口音为例。刚才提到了,要实现三个函数:
download_page(url)
parse_article(data)
write_article(title, content)
3.1 下载数据首先是第一个函数download_page(url)。由于内容单一,所以实现比较简单(要注意的是,这里需要准备一些防反爬虫的措施)。下面将展示如何伪装成一个浏览器下载网页或者其中的数据:
def download_page(url): headers = { "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) " "AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.80 Safari/537.36" } data = requests.get(url, headers=headers).content return data
我们这里伪装了一个火狐浏览器。这个信息不需要你输入或者从这里复制,如果需要的话,可以在浏览器中右键——查看元素——网络而后就可以查看消息头并伪装成你自己的浏览器了。我们这里使用的HTTP请求中的get方法,如果有看过之前的内容(指HTTP权威指南的一部分),就可以明白这里是什么意思啦~
3.2 解析数据下面是第二个函数parse_article(data),内容比较复杂,而且是根据我们要爬取的文章页面制定的。我们首先放到文章的主体上,右键——查看元素,可以看到主体的部分结构是这样的:
嗯,可以明白(如果不明白的话,请自己补习HTML的基础知识。这部分在Segmantfault里面搜集即可)文章的主体部分在 标签的内容。 据此,我们可以使用beatifulsoup来实现我们的第二个函数: 标签内的文本,这里就是段落文本内容。
paras.append(p_content)
return title, paras
# 返回标题和参数,用于写入文件。 获取我们需要的所有数据(标题和内容)以后,需要将其写入文件中。我们首先需要拼接一个文件名,创建并打开文件。这里要注意参数wb。在Python3.X中,b参数是自动添加的(如果没有写则会填上去,有的话就不会自己填上去);但是在Python2.X中不是这样,所以最好填上去,避免换了版本以后出现一些奇怪的Bug。当然,不换也行~ 最后,还要再编写一个if语句,判断是运行还是导入。运行文件的时候,可以通过调用第三个函数来实现我们的目的。 嗯,本文到这里就结束了。下面还有抓取简单首页文章的爬虫。不过爬取的过程也是上面的几步,如果看懂的话,就可以编写出来。看不懂的话……嗯,其实我只是因为开心想炫耀一下,哈哈哈哈来打我啊~~ 我是胡一波,集帅气与智慧于一身的美男子,每天都被自己帅醒。如果各位发现这些代码有问题的话,请跟我说,我会尽快回复并发送一块钱!这些钱可以指定给任意人或者机构(比如慈善组织和开源项目),就酱~ 文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。 转载请注明本文地址:https://www.ucloud.cn/yun/37747.htmldef parse_article(html):
soup = BeautifulSoup(html, "html.parser")
# 从上面的数据获取html文档并解析,这里使用的是Python自带的HTML解释器
article = soup.find("div", attrs={"class": "post f"})
# 缩小HTML文档的解析范围,限定在文章主体内部。
title = article.find("h1").getText()
# 获取文章主体内部的
3.3 整理数据
标签内的文本,可以发现这就是标题内容。
paras = []
# 创建一个列表,以段落的形式,向里面填充文本。
for paragraph in article.find_all("p"):
p_content = paragraph.getText()
# 获取
def get_article(title, url):
file_name = title + ".txt"
# 拼接文件名
with codecs.open(file_name, "wb", encoding="utf-8") as fp:
html = download_page(url)
# 调用第一个函数获取数据
title2, text = parse_article(html)
# 调用第二个函数获取数据
fp.write(" %s
" % title2)
for p in text:
fp.write(" %s
" % p)
# 将获取的数据写入文件。
print("文章读取完毕!")
return "OK"
if __name__ == "__main__":
url = "http://jandan.net/2016/02/18/caribbean-whales.html"
get_article(url)
4. 文章结束前的一些话
摘要:关于在大一这年的所学在上学期中一对的初步看法因为自己对软件专业有了一定的兴趣让我踏进了这个校园。当你完成一段代码或者说一个项目时那种成就感真的是不言而喻了妙不可言。 ...
摘要:前言在网站页面后端渲染的时代,开发者只需要按照规范制作搜索引擎友好的页面便可以快速让搜索引擎收录自己网站的各个页面。 前言 在网站页面后端渲染的时代,开发者只需要按照规范制作搜索引擎友好的页面便可以快速让搜索引擎收录自己网站的各个页面。 随着前后端技术的更新,越来越多的前端框架进入开发者们的视野,网站的前后分离架构越来越得到开发者们的喜爱与认可。 后端只提供数据接口、业务逻辑与持久化服...
摘要:前言在网站页面后端渲染的时代,开发者只需要按照规范制作搜索引擎友好的页面便可以快速让搜索引擎收录自己网站的各个页面。 前言 在网站页面后端渲染的时代,开发者只需要按照规范制作搜索引擎友好的页面便可以快速让搜索引擎收录自己网站的各个页面。 随着前后端技术的更新,越来越多的前端框架进入开发者们的视野,网站的前后分离架构越来越得到开发者们的喜爱与认可。 后端只提供数据接口、业务逻辑与持久化服...
摘要:我是布小禅,一枚自学萌新,跟着我每天进步一点点吧说了这么多暂时也就够了,那么就告辞吧 文章目录 ☀️ 前言 ☀️? 作者简介 ??文件操作?1️⃣、open函数...
阅读 1928·2023-04-26 00:38
阅读 1910·2021-09-07 10:17
阅读 870·2021-09-02 15:41
阅读 622·2021-08-30 09:45
阅读 523·2019-08-29 17:25
阅读 3182·2019-08-29 15:07
阅读 2140·2019-08-29 12:52
阅读 3713·2019-08-26 13:35