1 Star 0 Fork 0

Mr.韦淋/Spider

加入 Gitee
与超过 1200万 开发者一起发现、参与优秀开源项目,私有仓库也完全免费 :)
免费加入
文件
该仓库未声明开源许可证文件(LICENSE),使用请关注具体项目描述及其代码上游依赖。
克隆/下载
06_csdn2.py 3.91 KB
一键复制 编辑 原始数据 按行查看 历史
shineyr 提交于 2016-06-01 17:45 . csdn博客爬虫2
'''
program: csdn博客爬虫2
function: 采用BeautifulSoup技术实现对我的csdn主页所有博文的日期、主题、访问量、评论个数信息爬取
version: python 3.5.1
time: 2016/06/01
autuor: yr
'''
import urllib.request,re,time,random,gzip
from bs4 import BeautifulSoup
#定义保存文件函数
def saveFile(data,i):
path = "E:\\projects\\Spider\\06_csdn2\\papers\\paper_"+str(i+1)+".txt"
file = open(path,'wb')
page = '当前页:'+str(i+1)+'\n'
file.write(page.encode('gbk'))
#将博文信息写入文件(以utf-8保存的文件声明为gbk)
for d in data:
d = str(d)+'\n'
file.write(d.encode('gbk'))
file.close()
#解压缩数据
def ungzip(data):
try:
#print("正在解压缩...")
data = gzip.decompress(data)
#print("解压完毕...")
except:
print("未经压缩,无需解压...")
return data
#CSDN爬虫类
class CSDNSpider:
def __init__(self,pageIdx=1,url="http://blog.csdn.net/fly_yr/article/list/1"):
#默认当前页
self.pageIdx = pageIdx
self.url = url[0:url.rfind('/') + 1] + str(pageIdx)
self.headers = {
"Connection": "keep-alive",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 "
"(KHTML, like Gecko) Chrome/51.0.2704.63 Safari/537.36",
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
"Accept-Encoding": "gzip, deflate, sdch",
"Accept-Language": "zh-CN,zh;q=0.8",
"Host": "blog.csdn.net"
}
#求总页数
def getPages(self):
req = urllib.request.Request(url=self.url, headers=self.headers)
page = urllib.request.urlopen(req)
# 从我的csdn博客主页抓取的内容是压缩后的内容,先解压缩
data = page.read()
data = ungzip(data)
data = data.decode('utf-8')
# 得到BeautifulSoup对象
soup = BeautifulSoup(data,'html5lib')
# 计算我的博文总页数
tag = soup.find('div',"pagelist")
pagesData = tag.span.get_text()
#输出392条 共20页,找到其中的数字
pagesNum = re.findall(re.compile(pattern=r'共(.*?)页'),pagesData)[0]
return pagesNum
#设置要抓取的博文页面
def setPage(self,idx):
self.url = self.url[0:self.url.rfind('/')+1]+str(idx)
#读取博文信息
def readData(self):
ret=[]
req = urllib.request.Request(url=self.url, headers=self.headers)
res = urllib.request.urlopen(req)
# 从我的csdn博客主页抓取的内容是压缩后的内容,先解压缩
data = res.read()
data = ungzip(data)
data = data.decode('utf-8')
soup=BeautifulSoup(data,"html5lib")
#找到所有的博文代码模块
items = soup.find_all('div',"list_item article_item")
for item in items:
#标题、链接、日期、阅读次数、评论个数
title = item.find('span',"link_title").a.get_text()
link = item.find('span',"link_title").a.get('href')
writeTime = item.find('span',"link_postdate").get_text()
readers = re.findall(re.compile(r'\((.*?)\)'),item.find('span',"link_view").get_text())[0]
comments = re.findall(re.compile(r'\((.*?)\)'),item.find('span',"link_comments").get_text())[0]
ret.append('日期:'+writeTime+'\n标题:'+title
+'\n链接:http://blog.csdn.net'+link
+'\n'+'阅读:'+readers+'\t评论:'+comments+'\n')
return ret
#定义爬虫对象
cs = CSDNSpider()
#求取
pagesNum = int(cs.getPages())
print("博文总页数: ",pagesNum)
for idx in range(pagesNum):
cs.setPage(idx)
print("当前页:",idx+1)
#读取当前页的所有博文,结果为list类型
papers = cs.readData()
saveFile(papers,idx)
马建仓 AI 助手
尝试更多
代码解读
代码找茬
代码优化
Python
1
https://gitee.com/hzdx/Spider.git
git@gitee.com:hzdx/Spider.git
hzdx
Spider
Spider
master

搜索帮助