想实现全网数据的清洗与聚合？从爬虫做起

本文由腾讯云+社区自动同步，原文地址 http://blogtest.stackoverflow.club/96/

实现资源聚合的必要性

试着去搜索网络上数据有多少，但是没有明确的结果。但是我们可以明确感受到由于互联网的快速发展，每天新产生的内容也越来越多，这其中我们真正需要的，也就1%或者更少。其余的时间，我们都暴露在各类媒体的“推荐”或者“智能算法”之下。

那么如何把属于自己的时间夺回来，又不会“两耳不听窗外事，一心只读圣贤书”呢？一个技术上可实现的路径就是实现数据的清洗与聚合。或许表达不够准确，但目的是相似的——去掉目标事件的重复内容，将剩下的内容按需呈现。

在过去，我们如果被“如何解决win10的自动更新”困扰，不同的搜索引擎会给出很多结果。

但是我们都明白，能够适配你电脑的解决方案只有那么一两个。所以你要一个答案一个答案地试，一直到解决问题为止。

那如果你碰到是更复杂的问题呢？我希望有这么一个聚合平台充当“人肉搜索引擎”，她在看遍了所有内容后，确定我的环境，随后直接给出一个答案，而且这个答案还是正确的。进而，与当前的AI助手结合，提供每日简报，以及决策支持。

爬虫是实现聚合的第一步

目前碰到的技术问题大多都是在博客上得到解决的，所以数据也要从博客爬起，我选择的第一个博客平台是CSDN。

首先梳理下爬虫的逻辑。很简单，第一个爬虫不需要太高深的知识。我们就是模拟一个浏览器的数据请求，把网页下载下来；构建一个正则表达式，把有用的文字抽取出来；打开一个文件，把文字写进去。

先验知识

CSDN的页面是有规律的。

首先，知道作者ID就可以构造出文章列表，结构为prefix + id + /article/list/ + list_number. 注意文章列表的下一页标签是js动态生成的，可以顺序增加list_number, 直到返回404错误，表明文章列表结束，避开执行js。

其次，关键词、文章ID、文章内容使用的html标签都一致，便于爬取。

数据请求

请求一个网页数据是很简单的。我们这是使用的是socket和urlib两个模块，注意先import

进来，并且urllib直接导入request类，即import urllib.request as request.

设置header之后传入Request，随后使用urlopen方法打开一个网络链接，之后再调用read方法读取页面内容。当然，这里有些异常处理流程，只是做了错误原因输出，并没有实现从故障中恢复。

数据有效内容提取

正则表达式是最基础也最强大的工具。首先import re, 然后使用compile方法与findall方法。

这里的正则表达式使用.去匹配任意除换行符之外的任意字符；用(.)去返回我们想要的数据。

数据存储

在使用类似方法得到文章id、关键词、是否原创、标题之后，把正文部分作为单独文件写入到磁盘，把文章的属性信息与对应的磁盘文件名写入到config.json文件。每一个作者id对应一个config.json文件，方便后期自动化处理。

结果

本次爬取测试后共抓取1W博文 ，后期的深入方向是内容去重，优化方向是自动化爬虫（如自动获取用户ID、异常自动修复实现7x24h运行、云端部署、爬取图片）。

注：本文只是分享idea，并展示测试成果，详细的指导请求助于教程类网站。