在学习python后，想做个爬虫，抓取博客园文章。
爬虫思路很简单，模拟浏览器访问网页，得到网页的html代码，再根据页面结构，从html中提取自己需要的内容。
本文代码主要分为3个部分：
1、读取博客园首页文章链接。
https://www.cnblogs.com/是博客园的首页，列出了文章，分析页面内容，读取文章的链接。
这需要看页面的结构，可以使用浏览器，再浏览页面代码，选择元素，看界面上选中哪一部分，根据自己的需要，可以看到对应模块的代码。
2、对于每个页面，分析页面内容。
这需要看页面结构。
3、分析完页面内容后，将需要的数据插入到数据库中。
数据设计：
-- 博客系统爬虫模块 -- 1、创建库 drop database if exists blog_service_spider; -- 直接删除数据库，不提醒 create database blog_service_spider; -- 创建数据库 use blog_service_spider; -- 选择数据库 -- -- table structure for table `spider_page` -- drop table if exists `spider_page`; create table `spider_page` ( `id` varchar(60) not null comment '主键', `create_time` datetime default current_timestamp comment '创建时间', `creator` varchar(60) not null comment '创建人id', `modified_time` datetime default null on update current_timestamp comment '修改时间', `modifier` varchar(60) default null comment '修改人id', `title` varchar(100) default null comment '文章标题', `title_url` varchar(100) default null comment '文章地址', `content` text default null comment '文章内容', `post_time` datetime default null comment '文章发表时间', `author` varchar(100) default null comment '作者', `author_page` varchar(100) default null comment '作者主页', primary key (`id`) ) engine=innodb default charset=utf8 comment='抓取的文章';
python代码如下：
'''
File Name： webspider
Author： tim
Date： 2018/7/27 14:36
Description： 网页爬虫。抓取博客园首页文章，放入数据库中。
放入数据库中的内容：标题、作者、发表时间、文章内容、文章地址、作者主页
'''
from urllib import request
import ssl
from bs4 import BeautifulSoup
import pymysql
import uuid
# 传入url，读取url，将返回的页面转换成BeautifulSoup对象
def html_parser(url):
ssl._create_default_https_context = ssl._create_unverified_context # 加入ssl
req = request.Request(url) # 构建请求
# 代理，模拟浏览器在访问，避免被屏蔽
req.add_header('User-Agent',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36')
resp = request.urlopen(req) # 发起请求
html = resp.read().decode('utf-8') # 转码
bf = BeautifulSoup(html, "html.parser") # 将页面转换成BeautifulSoup对象
return bf
# 分析单个网页
def read_page(url):
bf = html_parser(url) # 获取BeautifulSoup对象
# 内容分析
post_info = bf.find('div', class_='post') # 有用的内容区域，下面的查找从该有用区域中进一步获取
title = post_info.find(id='cb_post_title_url').get_text() # 文章标题
title_url = post_info.find(id='cb_post_title_url')['href'] # 文章地址
content = post_info.find(id='cnblogs_post_body') # 文章内容
postdate = post_info.find(id='post-date').get_text() # 文章发表时间
author = post_info.find('div', class_='postDesc').find('a').get_text() # 作者
author_page = post_info.find('div', class_='postDesc').find('a')['href'] # 作者主页
'''print(title)
print(title_url)
print(content)
print(postdate)
print(author)
print(author_page)'''
# 分析完每个页面后，将页面内容插入到数据库中
operate_db(title, title_url, content, postdate, author, author_page)
# 分析博客园首页文章列表
def read_post_list():
bf = html_parser('https://www.cnblogs.com/')
post_list = bf.find(id='post_list').find_all('div', class_="post_item")
for post in post_list:
page_url = post.find('div', class_='post_item_body').h3.a['href']
# 读取每篇文章的url，分别进行页面分析
read_page(page_url)
# 操作数据库
def operate_db(title, title_url, content, postdate, author, author_page):
# 打开数据库连接
conn = pymysql.connect('localhost', 'root', 'root', 'blog_service_spider')
# 使用cursor()方法获取操作游标
cursor = conn.cursor()
# 执行的sql
insert_sql = "insert into spider_page (id,creator,title,title_url,content,post_time,author,author_page) values(%s,%s,%s,%s,%s,%s,%s,%s)"
# 生成的ID
id = str(uuid.uuid1())
# 文章内容
str_content = str(content)
# 创建人
creator = 'admin'
try:
cursor.execute(insert_sql,
(id, creator, title, title_url, str_content, postdate, author, author_page)) # 执行sql语句
conn.commit() # 提交到数据库执行
except Exception as e:
# 如果执行sql语句出现问题，则执行回滚操作
conn.rollback()
print(e)
finally:
# 不论try中的代码是否抛出异常，这里都会执行
# 关闭游标和数据库连接
cursor.close()
conn.close()
# start
if __name__ == '__main__':
read_post_list()