python爬虫入门-简书七日热门文章数据

前言

以我的理解,写一个爬虫分为以下几个步骤

  1. 分析目标网站
  2. 访问单个网页地址,获取网页源代码
  3. 提取数据
  4. 保存数据
  5. 抓取剩余网页
    以下开始正题

1. 分析目标网站

  1. 目标网站为简书七日热门文章 http://www.jianshu.com/trending/weekly 。 提取数据为用户,标题,阅读量,评论量,获赞量,打赏数
    提取目标
  2. 用chrome tools 查看这个网页,是用ajax加载的,分析规律,发现url为 http://www.jianshu.com/trending/weekly?page=1 , page=1 至 page=5.
    url规律

2. 访问单个网页地址,获取网页源代码

  1. 设置url
url = 'http://www.jianshu.com/trending/weekly?page=1'
  1. 设置头部信息(用来伪装请求,本案例中可省略)
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36'}
request = urllib2.Request(url=url, headers=headers)
  1. 发送请求和接收响应
html = urllib2.urlopen(request)

3. 从源代码中提取数据

# 先用BeautifulSoup转换一下,以便之后解析
bsObj = BeautifulSoup(html.read(), 'lxml')
  1. 抓出每篇文章的源代码,并提取目标数据(写的很差劲,just work)


    文章源码
items = bsObj.findAll("div", {"class": "content"})
    for item in items:
        author = item.find("a", {"class": "blue-link"}).get_text()
        title = item.find("a", {"class": "title"}).get_text()
        other = item.find("div", {"class": "meta"}).get_text()
        pattern = re.compile('(\d+)')
        content = re.findall(pattern, other)
        view = content[0]
        comment = content[1]
        like = content[2]
        money = content[3] if (len(content) == 4) else 0 # 非常不严谨,暂时这么做

4. 保存数据

with open('articlesOfSevenDays.csv', 'a') as resultFile:
    wr = csv.writer(resultFile, dialect= 'excel')
    wr.writerow([author,title,view,comment,like,money])

因为遇到编码问题,所以添加以下代码

import sys
reload(sys)
sys.setdefaultencoding('utf-8')

5. 抓取剩余网页

for i in range(1,6):
    print "开始抓取第{}页...".format(i)
    url = 'http://www.jianshu.com/trending/weekly?page={}'. format(i)
    # 重复之前提取数据和保存数据的代码

完整的代码

#!/usr/bin/env python
# coding=utf-8
from urllib.request import Request,urlopen
from bs4 import BeautifulSoup
from urllib.error import HTTPError
import re
import csv
import os


def getHTML(i):
    url = 'http://www.jianshu.com/trending/weekly?page={}'.format(i)
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36'}
    try:
        request = Request(url=url, headers=headers)
        html = urlopen(request)
        bsObj = BeautifulSoup(html.read(), 'lxml')
        items = bsObj.findAll("div", {"class": "content"})
    except HTTPError as e:
        print(e)
        exit()
    return items

def getArticleInfo(items):
    articleInfo= []
    for item in items:
        author = item.find("a", {"class": "blue-link"}).get_text()
        title = item.find("a", {"class": "title"}).get_text()
        other = item.find("div", {"class": "meta"}).get_text()
        pattern = re.compile('(\d+)')
        content = re.findall(pattern, other)
        view = content[0]
        comment = content[1]
        like = content[2]
        money = content[3] if (len(content) == 4) else 0  # 不太严谨
        articleInfo.append([author, title, view, comment, like, money])
    return articleInfo

dir = "../jianshu/"
if not os.path.exists(dir):
    os.makedirs(dir)
csvFile = open("../jianshu/jianshuSevenDaysArticles.csv","wt",encoding='utf-8')
writer = csv.writer(csvFile)
writer.writerow(("author", "title", "view", "comment", "like", "money"))
try:
    for i in range(1, 6):
        items = getHTML(i)
        articleInfo = getArticleInfo(items)
        for item in articleInfo:
                writer.writerow(item)

finally:
    csvFile.close()

抓取结果


image.png

总结

  1. 页面解析水平不好,接下来要学习:正则表达式,beautifulSoup,lxml
  2. 遇到的编码问题待学习
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 195,980评论 5 462
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 82,422评论 2 373
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 143,130评论 0 325
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,553评论 1 267
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,408评论 5 358
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,326评论 1 273
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,720评论 3 386
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,373评论 0 254
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,678评论 1 294
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,722评论 2 312
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,486评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,335评论 3 313
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,738评论 3 299
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,009评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,283评论 1 251
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,692评论 2 342
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,893评论 2 335

推荐阅读更多精彩内容