Python]新手写爬虫全过程(已完成)
今天早上起来,第一件事情就是理一理今天该做的事情,瞬间get到任务,写一个只用python字符串内建函数的爬虫,定义为v1.0,开发中的版本号定义为v0.x。数据存放?这个是一个练手的玩具,就写在txt文本里吧。其实主要的不是学习爬虫,而是依照这个需求锻炼下自己的编程能力,最重要的是要有一个清晰的思路(我在以这个目标努力着)。ok,主旨已经订好了,开始‘撸串’了。
目标网站:http://bohaishibei.com/post/category/main/(一个很有趣的网站,一段话配一个图,老有意思了~)网站形式如下:
目标:把大的目标分为几个小的目标。因为第一次干这个,所以对自己能力很清楚,所以完成顺序由简单到复杂。
1.爬取一期的内容,包括标题,和图片的url
2.把数据存在本地的txt文件中
3.想爬多少就爬就爬少
4.写一个网站,展示一下。(纯用于学习)
Let‘s 搞定它!
时间——9:14
把昨天晚上做的事情交代一下。昨天晚上写的代码实现了爬取一期里的所有标题。
第一步:
我用的是google浏览器,进入开发者模式,使用’页面内的元素选择器‘,先看一下内页中的结构,找到我们要的数据所在’标签‘。
这里我们需要的博海拾贝一期的内容全部在<article class="article-content">这个标签里面,如下图:
第一条红线是:页面内的元素选择器
第二条是:内容所在标签
第三条是:title
经过分析得出,我只要<article class="article-content">,这个标签的内容:所以写了下面的方法:
def content(html): # 内容分割的标签
str = '<article class="article-content">'
content = html.partition(str)[2]
str1 = '<div class="article-social">'
content = content.partition(str1)[0] return content # 得到网页的内容
这里需要说一下:在写这个爬虫之前我就打算只用字符串的内置函数来处理匹配问题,所以我就上http://www.w3cschool.cc/python/进入到字符串页面,大致看了一遍字符串的内建函数有哪些。
partition() 方法用来根据指定的分隔符将字符串进行分割。
如果字符串包含指定的分隔符,则返回一个3元的元组,第一个为分隔符左边的子串,第二个为分隔符本身,第三个为分隔符右边的子串。
partition() 方法是在2.5版中新增的。参考:http://www.w3cschool.cc/python/att-string-partition.html
这样我就得到只有内容的字符串了,干净~
第二步:
得到title的内容。title的格式如下,我只要’【2】‘后面的文字,后面的img暂时不考虑一步步的来。
<p>【2】这是我最近的状态,请告诉我不是我一个人!</p><p><img src=http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8ifthnj30an0aot8w.jpg /></p><p>
我写了下面的方法:
def title(content,beg = 0): # 思路是利用str.index()和序列的切片
try:
title_list = [] while True:
num1 = content.index('】',beg)
num2 = content.index('</p>',num1)
title_list.append(content[num1:num2])
beg = num2
except ValueError: return title_list
这里用try....except是因为我不知道怎么跳出循环。。。。求大神有更好的方法告诉我。
我这里跳出循环用的是当抛出VlaueError异常就说明找不到了,那就返回列表。就跳出循环了。
num1是】的位置,num2是</p>的位置,然后用序列的切片,咔嚓咔嚓一下就是我想要的数据了。这里需要注意的是:切片’要头不要尾‘所以我们的得到的数据就是这个样子的:
哎呀,这个是什么鬼!要头不要尾就是这个意思!
然后我就想:那就把num1加1不就完了吗?我真是太天真了。。。。
请+3,我觉得原理是这样的,这个是个中文字符!(求大神指点)
第三步:
交代清楚我昨天晚上做的事情了,记录下时间——10:01,下面我要爬图片的url了。这里要说一下,如果要把图片下下来,最重要的一步就是得到url,然后下载下来保存到本地(用文本的IO)。
我先获得url,实现原理同获取title,我在想,既然一样卸载获取title的方法里好,还是在写一个方法好。我单独写了一个方法,但是其实就是复制了一下title的方法,改了下匹配的字符串,代码如下:
def img(content,beg = 0): # 思路是利用str.index()和序列的切片
try:
img_list = [] while True:
src1 = content.index('http',beg)
src2 = content.index('/></p>',src1)
img_list.append(content[src1:src2])
beg = src2
except ValueError: return img_list
结果图如下:
这里发现,有的时候一个title会有很多个图片。我思考之后有如下思路:
1.需要写一个方法,当一个title出现多个图片的时候,捕获url。这个需要有一个判断语句,当url长度大于一个url长度的时候,才需要调用这个函数。
2.多个图片的url怎么放?使用符号隔开存放还是嵌套放入一个数组里面?我这里打算用’|‘隔开,这样的话加一个判语句,或者先判断一下url长度,都可以进行。
这个问题先放在这里,因为当我要下载的时候这个url才需要过滤,所以先进行下一步,把数据存到本地txt文中,这里在解决这个问题也不晚。
第四步:
把数据存到本地的txt中。Python文件IO参考资料:http://www.w3cschool.cc/python/python-files-io.html
这里需要注意的是,文本写入的时候记得close,还有就是注意打开文本的模式。
时间——11:05 吃个饭先
时间——11:44 回来了
这里我考虑了一个问题,根据《编写高质量代码——改善python程序的91个建议》这本书中写道的,字符串连接时,用jion()效率高于’+‘
所以我写了如下代码:
def data_out(data): #这里写成一个方法好处是,在写入文本的时候就在这里写
fo = open("/home/qq/data.txt", "a+") #这里注意重新写一个地址 #for i,e in enumerate(data):
fo.write("n".join(data));
#print '第%d个,title:%s' % (i,e)
# 关闭打开的文件
fo.close()
这样造成了一个问题,看图
造成最后一个和新的一个列表写入时在同一行。同时用with....as更好。修改后代码如下:
def data_out(data): #写入文本
with open("/home/qq/foo.txt", "a+") as fo:
fo.write('n')
fo.write("n".join(data));
下面研究title和img以什么样的格式存入txt文本:
title$img
这里我有一个概念混淆了,+和join()方法的效率问题主要在连接多个字符串的时候,我这个只用连接一次,不需要考虑这个问题。
def data_out(title, img): #写入文本
with open("/home/qq/foo.txt", "a+") as fo:
fo.write('n')
size = 0
for size in range(0, len(title)):
fo.write(title[size]+'$'+img[size]+'n');
文本中的内容如下:
愿你贪吃不胖,愿你懒惰不丑,愿你深情不被辜负。$http://ww1.sinaimg.cn/mw690/005CfBldtw1etay8dl1bsj30c50cbq4m.jpg" 这是我最近的状态,请告诉我不是我一个人!$http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8ifthnj30an0aot8w.jpg
引诱别人和你击拳庆祝,然后偷偷把手势变成二,就可以合体成为蜗牛cosplay……$http://ww2.sinaimg.cn/mw690/005CfBldtw1etay8fzm1sg30b40644qq.gif
原来蜗牛是酱紫吃东西的。。。。涨姿势!$http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8egg8vg30bo08ax6p.gif
写入文本的最后,解决多个图片的问题:
def many_img(data,beg = 0): #用于匹配多图中的url
try:
many_img_str = ''
while True:
src1 = data.index('http',beg)
src2 = data.index(' /><br /> <img src=',src1)
many_img_str += data[src1:src2]+'|' # 多个图片的url用"|"隔开
beg = src2 except ValueError: return many_img_str
def data_out(title, img): #写入文本
with open("/home/qq/data.txt", "a+") as fo:
fo.write('n') for size in range(0, len(title)): # 判断img[size]中存在的是不是一个url
if len(img[size]) > 70:
img[size] = many_img(img[size])# 调用many_img()方法
fo.write(title[size]+'$'+img[size]+'n')
输出如下:
元气少女陈意涵 by @TopFashionStyle$http://ww2.sinaimg.cn/mw690/005CfBldtw1etay848iktj30bz0bcq4x.jpg|http://ww1.sinaimg.cn/mw690/005CfBldtw1etay83kv5pj30c10bkjsr.jpg|http://ww3.sinaimg.cn/mw690/005CfBldtw1etay82qdvsj30c10bkq3z.jpg|http://ww1.sinaimg.cn/mw690/005CfBldtw1etay836z8lj30c00biq40.jpg|http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8279qmj30ac0a0q3p.jpg|http://ww1.sinaimg.cn/mw690/005CfBldtw1etay81ug5kj30c50bnta6.jpg|http://ww2.sinaimg.cn/mw690/005CfBldtw1etay8161ncj30c20bgmyt.jpg|http://ww2.sinaimg.cn/mw690/005CfBldtw1etay804oy7j30bs0bgt9r.jpg|
暂时功能是实现了,后面遇到问题需要修改在改吧。。。。新手走一步看一步!!!
到此为止,已经完成了前两个简单的计划: 1.爬取一期的内容,包括标题,和图片的url 2.把数据存在本地的txt文件中
全部代码如下:
#coding:utf-8import urllib#######爬虫v0.1 利用urlib 和 字符串内建函数######def getHtml(url): # 获取网页内容
page = urllib.urlopen(url)
html = page.read() return htmldef content(html): # 内容分割的标签
str = '<article class="article-content">'
content = html.partition(str)[2]
str1 = '<div class="article-social">'
content = content.partition(str1)[0] return content # 得到网页的内容
def title(content,beg = 0): # 匹配title
# 思路是利用str.index()和序列的切片
try:
title_list = [] while True:
num1 = content.index('】',beg)+3
num2 = content.index('</p>',num1)
title_list.append(content[num1:num2])
beg = num2
except ValueError: return title_list
def get_img(content,beg = 0): # 匹配图片的url
# 思路是利用str.index()和序列的切片
try:
img_list = [] while True:
src1 = content.index('http',beg)
src2 = content.index('/></p>',src1)
img_list.append(content[src1:src2])
beg = src2
except ValueError: return img_listdef many_img(data,beg = 0): #用于匹配多图中的url
try:
many_img_str = ''
while True:
src1 = data.index('http',beg)
src2 = data.index(' /><br /> <img src=',src1)
many_img_str += data[src1:src2]+'|' # 多个图片的url用"|"隔开
beg = src2 except ValueError: return many_img_str
def data_out(title, img): #写入文本
with open("/home/qq/data.txt", "a+") as fo:
fo.write('n') for size in range(0, len(title)): # 判断img[size]中存在的是不是一个url
if len(img[size]) > 70:
img[size] = many_img(img[size])# 调用many_img()方法
fo.write(title[size]+'$'+img[size]+'n')
content = content(getHtml("http://bohaishibei.com/post/10475/"))
title = title(content)
img = get_img(content)
data_out(title, img)# 实现了爬的单个页面的title和img的url并存入文本
时间——15:14
下面要重新分析网站,我已经可以获得一期的内容了,我现在要得到,其它期的url,这样就想爬多少就爬多少了。
目标网址:http://bohaishibei.com/post/category/main/
按照上面的方法进入开发者模式分析网站结构,找出目标数据所在的标签,撸它!
在首页中需要的数据全部都在<div class="content">标签里,分隔方法如下:
def main_content(html):# 首页内容分割的标签
str = '<div class="content">'
content = html.partition(str)[2]
str1 = '</div>'
content = content.partition(str1)[0] return content # 得到网页的内容
我暂时需要的数据:每一期的名字和每一期的url。
经过我的分析:该网站的每期的url格式是这样的:"http://bohaishibei.com/post/10189/"只有数字是变化的。
后来我又发现,我想要的这两个数据都在<h2>这个标签下面,获取每期url的方法如下:
def page_url(content, beg = 0): try:
url = [] while True:
url1 = content.index('<h2><a href="',beg)+13
url2 = content.index('" ',url1)
url.append(content[url1:url2])
beg = url2 except ValueError: return url
title的格式,
我思考了一下,我要title其实没什么太大的意思,用户有不可能说我要看那期,只需要输入看多少期就可以了,标题没有什么实际意义(不像内容中的title是帮助理解改张图笑点的)。所以我打算在这个版本中只实现,你输入想查看要多少期,就返回多少期!
那么下面就需要一个策略了:
http://bohaishibei.com/post/category/main/ 共20期
http://bohaishibei.com/post/category/main/page/2/ 共20期
......
经查看,每页都是20期
当你要查看的期数,超过20期的时候需要,增加page的数值,进入下一页进行获取
最后一页为这个:http://bohaishibei.com/post/category/main/page/48/
实现代码,这个我要想一想怎么写,我是第一次写爬虫,不要嘲讽我啊!
时间——17:09
感觉快实现了,还在写:
def get_order(num):
page = num / 20
order = num % 20 # 超出一整页的条目
for i in range(1, page+1): # 需这里需要尾巴
url = 'http://bohaishibei.com/post/category/main/page/%d' % i
print url
if (i == page)&(order > 0):
url = 'http://bohaishibei.com/post/category/main/page/%d' % (i+1)
print url+",%d条" % order
get_order(55)
运行结果:
http://bohaishibei.com/post/category/main/page/1http://bohaishibei.com/post/category/main/page/2http://bohaishibei.com/post/category/main/page/3,15条2
~~~~~~~~~~~~
15
这里我考虑是这样的我需要重写 page_url,需要多加一个参数,如下:
# 新增一个参数order,默认为20def page_url(content, order = 20, beg = 0): try:
url = []
i = 0 while i < order:
url1 = content.index('<h2><a href="',beg)+13
url2 = content.index('" ',url1)
url.append(content[url1:url2])
beg = url2
i = i + 1 return url except ValueError: return url
下面这个方法是传入参数num(需要多少期),一页20期,返回每一期的url,代码如下:
def get_order(num):# num代表获取的条目数量
url_list = []
page = num / 20
order = num % 20 # 超出一整页的条目
if num < 20: # 如果获取的条目数量少于20(一页20个),直接爬取第一页的num条
url = 'http://bohaishibei.com/post/category/main'
main_html = getHtml(url)
clean_content = main_content(main_html)
url_list = url_list + page_url(clean_content, num)
for i in range(1, page+1): # 需这里需要尾巴
url = 'http://bohaishibei.com/post/category/main/page/%d' % i # 爬取整页的条目
main_html = getHtml(url)
clean_content = main_content(main_html)
url_list = url_list + page_url(clean_content) #获取整夜
if (i == page)&(order > 0): # 爬到最后一页,如果有超出一页的条目则继续怕order条
url = 'http://bohaishibei.com/post/category/main/page/%d' % (i+1)
main_html = getHtml(url)
clean_content = main_content(main_html)
url_list = url_list + page_url(clean_content, order)
#print len(page_url(clean_content, order))
return url_list
下面开始gogogo
order = get_order(21)for i in range(0, len(order)): #这个遍历列表太丑了,改了: for i in order
html = getHtml(order[i])
content_data = content(html)
title_data = title(content_data)
img_data = get_img(content_data)
data_out(title_data, img_data)
ok了所有的代码都写完了
完整的代码我已经上传到我的github上了,地址为:https://github.com/521xueweihan/PySpider/blob/master/Spider.py
这里我在测试的时候有bug,因为该网站上有时候有的地方没有img的地址。如下图
我的代码也就跟着出问题了,因为我的title和img列表数量不一了,而列表长度我是以title的len()为准,结果就出现超出范围了。
这里记录一下,然后我要去除bug了。
ok啦,bug消除了。我改了img的匹配方法如下:
def get_img(content,beg = 0): # 匹配图片的url
# 思路是利用str.index()和序列的切片
try:
img_list = [] while True:
src1 = content.index('src=',beg)+4 # 这样写就可以匹配src="/"
src2 = content.index('/></p>',src1)
img_list.append(content[src1:src2])
beg = src2
except ValueError: return img_list
主函数:
order = get_order(30) # get_order方法接受参数,抓取多少期的数据for i in order: # 遍历列表的方法
html = getHtml(i)
content_data = content(html)
title_data = title(content_data)
img_data = get_img(content_data)
data_out(title_data, img_data)
爬下来的数据:
data.txt属性(共30期的数据):
终于写完了!
开始时间——9:14
写爬虫,吃饭,洗澡,休息了一会。
结束时间——21:02
呼,没有半途而废就知足了,感觉这样把写爬虫的流程走了一遍下次再写的话会快一些吧。
总结:
整个过程,纯手写,没有参考别人的代码。这一点可以赞一下。
这次写爬虫就是强制自己不用正则表达式,和XPATH,发现有很多地方,用这两个会很方便。这让我下定决心去学正则表达式和Xpath,哈哈。体会过才有深有感触。
下一个目标是学习正则表达式和Xpath。一点点来,当我学完就来写爬虫v2.0,逐步完善吧,如果上来就要写难得,我的智商着急啊!
然后多看看别人的爬虫,学习别人厉害的地方,提高自己。
- 算法:求解AOE网的关键路径
- 编程小技巧:多态原理
- ASP.NET Core的配置(4):多样性的配置来源[下篇]
- 数据结构 图
- ASP.NET Core的配置(5):配置的同步[ 实例篇]
- TensorFlow 深度学习笔记 卷积神经网络
- 利用EntLib授权机制实现对ASP.NET页面的自动授权
- ASP.NET Core的配置(5):配置的同步[设计篇]
- 详解Redis内部运作机制
- TensorFlow深度学习笔记 循环神经网络实践
- 从客户端Web应用程序访问Bluemix服务
- 云改变传统银行业面貌的5种方式
- ASP.NET MVC中的ActionFilter是如何执行的?
- C语言嵌入式系统编程修炼之屏幕操作
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- vue入门003~vue项目引入element并创建一个登录页面
- vue入门002~vue项目的两种创建方式
- IntelliJ IDEA,WebStorm,PhpStorm破解到2089年
- 小程序订阅消息推送(含源码)java实现小程序推送,springboot实现微信消息推送
- 借助云开发10行代码实现短信验证码的发送
- 借助云开发实现小程序订阅消息(模板消息)推送功能
- 1小时实战入门小程序开发,历史上的今天案例讲解
- 小程序实现全屏幕高斯模糊背景图
- 小程序顶部导航栏,可滑动,可动态选中放大
- 小程序不同页面的异步回调,callback和promise的使用讲解
- java入门019~springboot批量导入excel数据到mysql
- Java点餐系统和点餐小程序新加微信消息推送功能
- Java点餐系统和点餐小程序新加排号等位功能
- IDEA上给文件添加姓名,日期,版本号
- matlab机器人工具箱安装与卸载