01

抓取目標(biāo)

我們要爬取的目標(biāo)是「 簡(jiǎn)書(shū)網(wǎng) 」。

打開(kāi)簡(jiǎn)書(shū)網(wǎng)的首頁(yè)，隨手點(diǎn)擊一篇文章進(jìn)入到詳情頁(yè)面。

我們要爬取的數(shù)據(jù)有：作者、頭像、發(fā)布時(shí)間、文章 ID 以及文章內(nèi)容。

02

準(zhǔn)備工作

在編寫(xiě)爬蟲(chóng)程序之前，我都是先對(duì)頁(yè)面進(jìn)行簡(jiǎn)單分析，然后指定爬取思路。

由于我們爬取簡(jiǎn)書(shū)網(wǎng)所有的文章數(shù)據(jù)，所以考慮使用「 CrawlSpider」來(lái)對(duì)整個(gè)網(wǎng)站進(jìn)行爬取。

首先使用 Scrapy 創(chuàng)建一個(gè)項(xiàng)目和一個(gè)爬蟲(chóng)

# 打開(kāi) CMD 或者終端到一個(gè)指定目錄

# 新建一個(gè)項(xiàng)目

scrapy startproject jianshu_spider

cd jianshu_spider

# 創(chuàng)建一個(gè)爬蟲(chóng)

scrapy genspider -t crawl jianshu "jianshu.com"

爬取的數(shù)據(jù)準(zhǔn)備存儲(chǔ)到 Mysql 數(shù)據(jù)庫(kù)中，因此需要提前建立好數(shù)據(jù)庫(kù)和表。

03

爬取思路

首先，我們我們檢查首頁(yè)頁(yè)面文章列表每一項(xiàng)的 href 屬性、文章詳情頁(yè)面的地址、詳情頁(yè)面推薦文章中的 href 屬性。

可以獲取出規(guī)律，每一篇文章的地址，即 URL 是由「.../p/文章id/...」構(gòu)成，其中文章 ID 是由小寫(xiě)字母 a-z 或者 0-9 的 12 位數(shù)字構(gòu)成，因此 Rule 構(gòu)成如下：

/p/[0-9a-z]{12}

04

代碼實(shí)現(xiàn)

第一步是指定開(kāi)始爬取的地址和爬取規(guī)則。

allowed_domains = ['jianshu.com']

start_urls = ['https://www.jianshu.com/']

rules = (

# 文章id是有12位小寫(xiě)字母或者數(shù)字0-9構(gòu)成

Rule(LinkExtractor(allow=r'.*/p/[0-9a-z]{12}.*'), callback='parse_detail', follow=True),

)

第二步是拿到下載器下載后的數(shù)據(jù) Response，利用 Xpath 語(yǔ)法獲取有用的數(shù)據(jù)。這里可以使用「Scrapy shell url」去測(cè)試數(shù)據(jù)是否獲取正確。

# 獲取需要的數(shù)據(jù)

title = response.xpath('//h1[@class="title"]/text()').get()

author = response.xpath('//div[@class="info"]/span/a/text()').get()

avatar = self.HTTPS + response.xpath('//div[@class="author"]/a/img/@src').get()

pub_time = response.xpath('//span[@class="publish-time"]/text()').get().replace("*", "")

current_url = response.url

real_url = current_url.split(r"?")[0]

article_id = real_url.split(r'/')[-1]

content = response.xpath('//div[@class="show-content"]').get()

然后構(gòu)建 Item 模型用來(lái)保存數(shù)據(jù)。

import scrapy

# 文章詳情Item

class ArticleItem(scrapy.Item):

title = scrapy.Field()

content = scrapy.Field()

# 文章id

article_id = scrapy.Field()

# 原始的url

origin_url = scrapy.Field()

# 作者

author = scrapy.Field()

# 頭像

avatar = scrapy.Field()

# 發(fā)布時(shí)間

pubtime = scrapy.Field()

第三步是將獲取的數(shù)據(jù)通過(guò) Pipline 保存到數(shù)據(jù)庫(kù)中。

# 數(shù)據(jù)庫(kù)連接屬性

db_params = {

'host': '127.0.0.1',

'port': 3306,

'user': 'root',

'password': 'root',

'database': 'jianshu',

'charset': 'utf8'

}

# 數(shù)據(jù)庫(kù)【連接對(duì)象】

self.conn = pymysql.connect(**db_params)

# 構(gòu)建游標(biāo)對(duì)象

self.cursor = self.conn.cursor()

# sql 插入語(yǔ)句

self._sql = """

insert into article(id,title,content,author,avatar,pubtime,article_id,origin_url)

values(null,%s,%s,%s,%s,%s,%s,%s)

"""

# 執(zhí)行 sql 語(yǔ)句

self.cursor.execute(self._sql, (

item['title'], item['content'], item['author'], item['avatar'], item['pubtime'], item['article_id'],

item['origin_url']))

# 插入到數(shù)據(jù)庫(kù)中

self.conn.commit()

# 關(guān)閉游標(biāo)資源

self.cursor.close()

總結(jié)

以上是生活随笔為你收集整理的简书python_使用 Python 爬取简书网的所有文章的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。