用Python爬虫获取自己感兴趣的博客文章

数据科学社区

发布于 2018-06-07 11:28:33

5240

发布于 2018-06-07 11:28:33

文章被收录于专栏：大数据杂谈大数据杂谈

来源： CDA数据分析师

在CSDN上有很多精彩的技术博客文章，我们可以把它爬取下来，保存在本地磁盘，可以很方便以后阅读和学习，现在我们就用python编写一段爬虫代码，来实现这个目的。

我们想要做的事情：自动读取博客文章，记录标题，把心仪的文章保存到个人电脑硬盘里供以后学习参考。

过程大体分为以下几步：

1. 找到爬取的目标网址；
2. 分析网页，找到自已想要保存的信息，这里我们主要保存是博客的文章内容；
3. 清洗整理爬取下来的信息，保存在本地磁盘。

打开csdn的网页，作为一个示例，我们随机打开一个网页：

http://blog.csdn.net/u013088062/article/list/1。

可以看到，博主对《C++卷积神经网络》和其它有关机计算机方面的文章都写得不错。

爬虫代码按思路分为三个类（class），下面3个带“#”的分别给出了每一个类的开头（具体代码附后，供大家实际运行实现）：

采用“类（class）”的方式属于Python的面向对象编程，在某些时候比我们通常使用的面向过程的编程方便，在大型工程中经常使用面向对象编程。对于初学者来说，面向对象编程不易掌握，但是经过学习习惯之后，会逐步慢慢从面向过程到面向对象编程过渡。

特别注意的是，RePage类主要用正则表达式处理从网页中获取的信息，正则表达式设置字符串样式如下：

用正则表达式去匹配所要爬取的内容，用Python和其它软件工具都可以实现。正则表达式有许多规则，各个软件使用起来大同小异。用好正则表达式是爬虫和文本挖掘的一个重要内容。

SaveText类则是把信息保存在本地，效果如下：

用python编写爬虫代码，简洁高效。这篇文章仅从爬虫最基本的用法做了讲解，有兴趣的朋友可以下载代码看看，希望大家从中有收获。

附相关Python代码：

 1#-*-coding:UTF-8-*-
 2import re
 3import urllib2
 4import sys
 5#目的：读取博客文章，记录标题，用Htnl格式保存存文章内容
 6#版本：python2.7.13
 7#功能：读取网页内容
 8class GetHtmlPage():
 9        #注意大小写
10        def __init__(self,strPage):
11            self.strPapge = strPage
12        #获取网页
13        def GetPage(self):
14                req = urllib2.Request(self.strPapge)            # 建立页面请求
15                rep = req.add_header("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36 SE 2.X MetaSr 1.0")
16                try:
17                   cn = urllib2.urlopen(req)                    #网页请求
18                   page = cn.read()                          #读网页
19                   uPage = page.decode("utf-8")               #网页编码
20                   cn.close()
21                   return uPage
22                except urllib2.URLError, e:                     #捕获异常
23                        print 'URLError:', e.code
24                        return
25                except urllib2.HTTPError, e:                     #捕获异常
26                        print 'HTTP Error:' + e.reason
27                        return
28                return rePage
29#正则表达式，获取想要的内容
30class RePage():
31#正则表达式提取内容，返回链表
32    def GetReText(self,page,recode):
33        rePage = re.findall(recode,page,re.S)
34        return rePage
35#保存文本
36class SaveText():
37    def Save(self,text,tilte):
38        try:
39            t="blog\\"+tilte+".html"
40            f = file(t,"a")
41            f.write(text)
42            f.close()
43        except IOError,e:
44            print e.message
45if __name__ == "__main__":
46    s = SaveText()
47    #文件编码
48    #字符正确解码
49    reload(sys)
50    sys.setdefaultencoding( "utf-8" ) #获得系统的默认编码
51    #获取网页
52    page = GetHtmlPage("http://blog.csdn.net/u013088062/article/list/1")
53    htmlPage = page.GetPage()
54    #提取内容
55    reServer = RePage()
56    reBlog = reServer.GetReText(htmlPage,r'<span class="link_title"><a href="(.+?)">.*?(\s.+?)</a></span>')   #获取网址链接和标题
57    #再向下获取正文
58    for ref in reBlog:
59        pageHeard = "http://blog.csdn.net/"         #加链接头
60        strPage = pageHeard+ref[0]
61        tilte=ref[1].replace('<font color="red">[置顶]</font>', "")     #用替换的功能去除杂的英文
62        tilte=tilte.replace("\r\n","").lstrip().rstrip()
63        #获取正文
64        htmlPage = GetHtmlPage(strPage)
65        htmlPageData = htmlPage.GetPage()
66        reBlogText = reServer.GetReText(htmlPageData,'<div id="article_content" class="article_content">(.+?)</div>')
67    #保存文件
68        for s1 in reBlogText:
69            s1='<meta charset="UTF-8">\n'+s1
70            s.Save(s1,tilte)

动手去试试吧。

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2018-03-27，如有侵权请联系 cloudcommunity@tencent.com 删除

python