Docker最全教程之Python爬网实战(二十二)

心莱科技雪雁

发布于 2019-04-22 14:02:01

4870

发布于 2019-04-22 14:02:01

Python目前是流行度增长最快的主流编程语言，也是第二大最受开发者喜爱的语言（参考Stack Overflow 2019开发者调查报告发布）。笔者建议.NET、Java开发人员可以将Python发展为第二语言，一方面Python在某些领域确实非常犀利（爬虫、算法、人工智能等等），另一方面，相信我，Python上手完全没有门槛，你甚至无需购买任何书籍！

由于近期在筹备4.21的长沙开发者大会，耽误了不少时间。不过这次邀请到了腾讯资深技术专家、.NET中国社区领袖，微软MVP张善友；52ABP开源框架的作者，微软MVP梁桐铭；知名技术类作家汪鹏，腾讯高级工程师卓伟，腾讯云高级产品经理胡李伟等等，有兴趣参加的朋友可以点击公众号菜单【联系我们】==>【报名】进行报名，技术不分语言，亦没有界限，期待和你分享、交流！

关于Python
官方镜像
使用Python抓取博客列表
需求说明
了解Beautiful Soup
分析并获取抓取规则
编写代码实现抓取逻辑
编写Dockerfile
运行并查看抓取结果

关于Python

Python是一种计算机程序设计语言。是一种动态的、面向对象的脚本语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越来越多被用于独立的、大型项目的开发。Python目前是流行度增长最快的主流编程语言，也是第二大最受开发者喜爱的语言（参考Stack Overflow 2019开发者调查报告发布）。

Python是一种解释型脚本语言，可以应用于以下领域：

Web 和 Internet开发
科学计算和统计
教育
桌面界面开发
软件开发
后端开发

Python学习起来没有门槛，但是通过它，你可以用更短的时间，更高的效率学习和掌握机器学习，甚至是深度学习的技能。不过单单只会Python对大多数人来说是不行的，你最好还掌握一门静态语言（.NET/Java）。同时，笔者也建议.NET、Java开发人员可以将Python发展为第二语言，一方面Python在某些领域确实非常犀利（爬虫、算法、人工智能等等），另一方面，相信我，Python上手完全没有门槛，你甚至无需购买任何书籍！

官方镜像

官方镜像地址：https://hub.docker.com/_/python

注意，请认准官方镜像：

使用Python抓取博客列表

需求说明

本篇使用Python来抓取我的博客园的博客列表，打印出标题、链接、日期和摘要。

博客地址：http://www.cnblogs.com/codelove/

内容如下所示：

了解Beautiful Soup

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库，支持多种解析器。Beautiful Soup简单的说，就是一个灵活又方便的网页解析库，是一个爬网利器。本篇教程我们就基于Beautiful Soup来抓取博客数据。

Beautiful Soup官方网站：https://beautifulsoup.readthedocs.io

主要解析器说明：

分析并获取抓取规则

首先我们使用Chrome浏览器打开以下地址：http://www.cnblogs.com/codelove/

然后按下F12打开开发人员工具，通过工具我们梳理了以下规则：

博客块（div.day）

博客标题(div. postTitle a)

其他内容获取，如日期、博客链接、简介，这里我们就不截图了。

然后我们通过观察博客路径，获取到url分页规律：

根据以上分析，我们胸有成竹，开始编码。

编写代码实现抓取逻辑

在编码前，请阅读BeautifulSoup官方文档。然后根据需求，我们编写Python的代码如下所示：

# 关于BeautifulSoup，请阅读官方文档：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/#id52
from bs4 import BeautifulSoup
import os
import sys
import requests
import time
import re
url = "https://www.cnblogs.com/codelove/default.html?page={page}"
#已完成的页数序号，初时为0
page = 0
whileTrue:
    page += 1
    request_url = url.format(page=page)
    response = requests.get(request_url)
 #使用BeautifulSoup的html5lib解析器解析HTML（兼容性最好）
    html = BeautifulSoup(response.text,'html5lib')
 #获取当前HTML的所有的博客元素
    blog_list = html.select(".forFlow.day")
 # 循环在读不到新的博客时结束
 ifnot blog_list:
 break
    print("fetch:", request_url)
 for blog in blog_list:
 # 获取标题
        title = blog.select(".postTitlea")[0].string
        print('--------------------------'+title+'--------------------------');
 # 获取博客链接
        blog_url = blog.select(".postTitlea")[0]["href"]
        print(blog_url);
 # 获取博客日期
        date = blog.select(".dayTitlea")[0].get_text()
        print(date)
 # 获取博客简介
        des = blog.select(".postCon> div")[0].get_text()
        print(des)
        print('-------------------------------------------------------------------------------------');

如上述代码所示，我们根据分析的规则循环翻页并且从每一页的HTML中抽取出了我们需要的博客信息，并打印出来，相关代码已提供注释，这里我们就不多说了。

编写Dockerfile

代码写完，按照惯例，我们仍然是使用Docker实现本地无SDK开发，因此编写Dockerfile如下所示：

# 使用官方镜像
FROM python:3.7-slim
# 设置工作目录
WORKDIR /app
# 复制当前目录
COPY . /app
# 安装模块
RUN pip install--trusted-host pypi.python.org -r requirements.txt
# Run app.py whenthe container launches
CMD ["python", "app.py"]

注意，由于我们使用到了比如beautifulsoup等第三方库，因此我们需要安装相关模块。requirements.txt内容如下所示（注意换行）：

html5lib

beautifulsoup4

requests

运行并查看抓取结果