黑马程序员技术交流社区

标题: Python [打印本页]

---

作者: 百越归人    时间: 2019-6-16 10:20
标题: Python

[Python]新手写爬虫全过程（已完成）
今天早上起来，第一件事情就是理一理今天该做的事情，瞬间get到任务，写一个只用python字符串内建函数的爬虫，定义为v1.0，开发中的版本号定义为v0.x。数据存放？这个是一个练手的玩具，就写在txt文本里吧。其实主要的不是学习爬虫，而是依照这个需求锻炼下自己的编程能力，最重要的是要有一个清晰的思路（我在以这个目标努力着）。ok，主旨已经订好了，开始‘撸串’了。



目标网站：http://bohaishibei.com/post/category/main/（一个很有趣的网站，一段话配一个图，老有意思了～）网站形式如下：



目标：把大的目标分为几个小的目标。因为第一次干这个，所以对自己能力很清楚，所以完成顺序由简单到复杂。

        1.爬取一期的内容，包括标题，和图片的url

　　  2.把数据存在本地的txt文件中

        3.想爬多少就爬就爬少

        4.写一个网站，展示一下。（纯用于学习）

Let‘s 搞定它!



时间——9:14

　　把昨天晚上做的事情交代一下。昨天晚上写的代码实现了爬取一期里的所有标题。

第一步：

我用的是google浏览器，进入开发者模式，使用’页面内的元素选择器‘，先看一下内页中的结构，找到我们要的数据所在’标签‘。

这里我们需要的博海拾贝一期的内容全部在<article class="article-content">这个标签里面，如下图：

第一条红线是：页面内的元素选择器

第二条是：内容所在标签

第三条是：title









经过分析得出，我只要<article class="article-content">，这个标签的内容：所以写了下面的方法：

复制代码
def content(html):
    # 内容分割的标签
    str = '<article class="article-content">'
    content = html.partition(str)[2]
    str1 = '<div class="article-social">'
    content = content.partition(str1)[0]
    return content # 得到网页的内容
复制代码
这里需要说一下：在写这个爬虫之前我就打算只用字符串的内置函数来处理匹配问题，所以我就上http://www.w3cschool.cc/python/进入到字符串页面，大致看了一遍字符串的内建函数有哪些。

partition() 方法用来根据指定的分隔符将字符串进行分割。

如果字符串包含指定的分隔符，则返回一个3元的元组，第一个为分隔符左边的子串，第二个为分隔符本身，第三个为分隔符右边的子串。

partition() 方法是在2.5版中新增的。参考：http://www.w3cschool.cc/python/att-string-partition.html

这样我就得到只有内容的字符串了，干净～



第二步：

得到title的内容。title的格式如下，我只要’【2】‘后面的文字，后面的img暂时不考虑一步步的来。

<p>【2】这是我最近的状态，请告诉我不是我一个人！</p><p><img src=http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8ifthnj30an0aot8w.jpg /></p><p>

我写了下面的方法：

复制代码
def title(content,beg = 0):
    # 思路是利用str.index()和序列的切片
    try:
        title_list = []
        while True:   
            num1 = content.index('】',beg)
            num2 = content.index('</p>',num1)
            title_list.append(content[num1:num2])
            beg = num2
        
    except ValueError:
         return title_list
复制代码
这里用try....except是因为我不知道怎么跳出循环。。。。求大神有更好的方法告诉我。

我这里跳出循环用的是当抛出VlaueError异常就说明找不到了，那就返回列表。就跳出循环了。

num1是】的位置，num2是</p>的位置，然后用序列的切片，咔嚓咔嚓一下就是我想要的数据了。这里需要注意的是：切片’要头不要尾‘所以我们的得到的数据就是这个样子的：



哎呀，这个是什么鬼！要头不要尾就是这个意思！

然后我就想：那就把num1加1不就完了吗？我真是太天真了。。。。

请+3，我觉得原理是这样的，这个是个中文字符！（求大神指点）



第三步：

交代清楚我昨天晚上做的事情了，记录下时间——10:01，下面我要爬图片的url了。这里要说一下，如果要把图片下下来，最重要的一步就是得到url，然后下载下来保存到本地(用文本的IO)。

我先获得url，实现原理同获取title，我在想，既然一样卸载获取title的方法里好，还是在写一个方法好。我单独写了一个方法，但是其实就是复制了一下title的方法，改了下匹配的字符串，代码如下：

复制代码
def img(content,beg = 0):
    # 思路是利用str.index()和序列的切片
    try:
        img_list = []
        while True:   
            src1 = content.index('http',beg)
            src2 = content.index('/></p>',src1)
            img_list.append(content[src1:src2])
            beg = src2
        
    except ValueError:
         return img_list
复制代码
结果图如下：



  这里发现，有的时候一个title会有很多个图片。我思考之后有如下思路：

1.需要写一个方法，当一个title出现多个图片的时候，捕获url。这个需要有一个判断语句，当url长度大于一个url长度的时候，才需要调用这个函数。

2.多个图片的url怎么放？使用符号隔开存放还是嵌套放入一个数组里面？我这里打算用’|‘隔开，这样的话加一个判语句，或者先判断一下url长度，都可以进行。

这个问题先放在这里，因为当我要下载的时候这个url才需要过滤，所以先进行下一步，把数据存到本地txt文中，这里在解决这个问题也不晚。



第四步：

把数据存到本地的txt中。Python文件IO参考资料：http://www.w3cschool.cc/python/python-files-io.html

这里需要注意的是，文本写入的时候记得close，还有就是注意打开文本的模式。

时间——11：05 吃个饭先

时间——11：44 回来了

这里我考虑了一个问题，根据《编写高质量代码——改善python程序的91个建议》这本书中写道的，字符串连接时，用jion()效率高于’+‘

所以我写了如下代码：



复制代码
def data_out(data):
    #这里写成一个方法好处是，在写入文本的时候就在这里写
    fo = open("/home/qq/data.txt", "a+") #这里注意重新写一个地址
    #for i,e in enumerate(data):
    fo.write("\n".join(data));
        #print '第%d个，title：%s' % (i,e)
    # 关闭打开的文件
    fo.close()
复制代码


这样造成了一个问题，看图



造成最后一个和新的一个列表写入时在同一行。同时用with....as更好。修改后代码如下：

复制代码
def data_out(data):
    #写入文本
    with open("/home/qq/foo.txt", "a+") as fo:
        fo.write('\n')
        fo.write("\n".join(data));
复制代码
下面研究title和img以什么样的格式存入txt文本：

title$img

这里我有一个概念混淆了，+和join()方法的效率问题主要在连接多个字符串的时候，我这个只用连接一次，不需要考虑这个问题。

复制代码
def data_out(title, img):
    #写入文本
    with open("/home/qq/foo.txt", "a+") as fo:
        fo.write('\n')
        size = 0
        for size in range(0, len(title)):      
            fo.write(title[size]+'$'+img[size]+'\n');
复制代码
文本中的内容如下：

复制代码
愿你贪吃不胖，愿你懒惰不丑，愿你深情不被辜负。$http://ww1.sinaimg.cn/mw690/005CfBldtw1etay8dl1bsj30c50cbq4m.jpg"
这是我最近的状态，请告诉我不是我一个人！$http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8ifthnj30an0aot8w.jpg
引诱别人和你击拳庆祝，然后偷偷把手势变成二，就可以合体成为蜗牛cosplay……$http://ww2.sinaimg.cn/mw690/005CfBldtw1etay8fzm1sg30b40644qq.gif
原来蜗牛是酱紫吃东西的。。。。涨姿势！$http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8egg8vg30bo08ax6p.gif
复制代码
写入文本的最后，解决多个图片的问题：

复制代码
def many_img(data,beg = 0):
    #用于匹配多图中的url
    try:
        many_img_str = ''
        while True:
            src1 = data.index('http',beg)
            src2 = data.index(' /><br /> <img src=',src1)
            many_img_str += data[src1:src2]+'|' # 多个图片的url用"|"隔开
            beg = src2
    except ValueError:
        return many_img_str              
         
def data_out(title, img):
    #写入文本
    with open("/home/qq/data.txt", "a+") as fo:
        fo.write('\n')
        for size in range(0, len(title)):
            # 判断img[size]中存在的是不是一个url
            if len(img[size]) > 70:
                img[size] = many_img(img[size])# 调用many_img()方法
            fo.write(title[size]+'$'+img[size]+'\n')
        
复制代码
输出如下：

复制代码
元气少女陈意涵 by @TopFashionStyle$http://ww2.sinaimg.cn/mw690/005CfBldtw1etay848iktj30bz0bcq4x.jpg|http://ww1.sinaimg.cn/mw690/005CfBldtw1etay83kv5pj30c10bkjsr.jpg|http://ww3.sinaimg.cn/mw690/005CfBldtw1etay82qdvsj30c10bkq3z.jpg|http://ww1.sinaimg.cn/mw690/005CfBldtw1etay836z8lj30c00biq40.jpg|http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8279qmj30ac0a0q3p.jpg|http://ww1.sinaimg.cn/mw690/005CfBldtw1etay81ug5kj30c50bnta6.jpg|http://ww2.sinaimg.cn/mw690/005CfBldtw1etay8161ncj30c20bgmyt.jpg|http://ww2.sinaimg.cn/mw690/005CfBldtw1etay804oy7j30bs0bgt9r.jpg|
复制代码
暂时功能是实现了，后面遇到问题需要修改在改吧。。。。新手走一步看一步！！！

到此为止，已经完成了前两个简单的计划：

　　  1.爬取一期的内容，包括标题，和图片的url

　　  2.把数据存在本地的txt文件中

全部代码如下：

复制代码
#coding:utf-8
import urllib
######
#爬虫v0.1 利用urlib 和 字符串内建函数
######
def getHtml(url):
    # 获取网页内容
    page = urllib.urlopen(url)
    html = page.read()
    return html

def content(html):
    # 内容分割的标签
    str = '<article class="article-content">'
    content = html.partition(str)[2]
    str1 = '<div class="article-social">'
    content = content.partition(str1)[0]
    return content # 得到网页的内容
   
def title(content,beg = 0):
    # 匹配title
    # 思路是利用str.index()和序列的切片
    try:
        title_list = []
        while True:   
            num1 = content.index('】',beg)+3
            num2 = content.index('</p>',num1)
            title_list.append(content[num1:num2])
            beg = num2
        
    except ValueError:
         return title_list
         
def get_img(content,beg = 0):
    # 匹配图片的url
    # 思路是利用str.index()和序列的切片
    try:
        img_list = []
        while True:   
            src1 = content.index('http',beg)
            src2 = content.index('/></p>',src1)
            img_list.append(content[src1:src2])
            beg = src2
        
    except ValueError:
         return img_list

def many_img(data,beg = 0):
    #用于匹配多图中的url
    try:
        many_img_str = ''
        while True:
            src1 = data.index('http',beg)
            src2 = data.index(' /><br /> <img src=',src1)
            many_img_str += data[src1:src2]+'|' # 多个图片的url用"|"隔开
            beg = src2
    except ValueError:
        return many_img_str              
         
def data_out(title, img):
    #写入文本
    with open("/home/qq/data.txt", "a+") as fo:
        fo.write('\n')
        for size in range(0, len(title)):
            # 判断img[size]中存在的是不是一个url
            if len(img[size]) > 70:
                img[size] = many_img(img[size])# 调用many_img()方法
            fo.write(title[size]+'$'+img[size]+'\n')
        
   
                  
content = content(getHtml("http://bohaishibei.com/post/10475/"))
title = title(content)
img = get_img(content)
data_out(title, img)
# 实现了爬的单个页面的title和img的url并存入文本
复制代码


时间——15：14

下面要重新分析网站，我已经可以获得一期的内容了，我现在要得到，其它期的url，这样就想爬多少就爬多少了。

目标网址：http://bohaishibei.com/post/category/main/

按照上面的方法进入开发者模式分析网站结构，找出目标数据所在的标签，撸它！

在首页中需要的数据全部都在<div class="content">标签里，分隔方法如下：

复制代码
def main_content(html):
# 首页内容分割的标签
    str = '<div class="content">'
    content = html.partition(str)[2]
    str1 = '</div>'
    content = content.partition(str1)[0]
    return content # 得到网页的内容
复制代码
我暂时需要的数据：每一期的名字和每一期的url。

经过我的分析：该网站的每期的url格式是这样的："http://bohaishibei.com/post/10189/"只有数字是变化的。

后来我又发现，我想要的这两个数据都在<h2>这个标签下面，获取每期url的方法如下：

复制代码
def page_url(content, beg = 0):
    try:
        url = []
        while True:
            url1 = content.index('<h2><a href="',beg)+13
            url2 = content.index('" ',url1)
            url.append(content[url1:url2])
            beg = url2
    except ValueError:
        return url   
复制代码


title的格式，

我思考了一下，我要title其实没什么太大的意思，用户有不可能说我要看那期，只需要输入看多少期就可以了，标题没有什么实际意义（不像内容中的title是帮助理解改张图笑点的）。所以我打算在这个版本中只实现，你输入想查看要多少期，就返回多少期！



那么下面就需要一个策略了：

http://bohaishibei.com/post/category/main/ 共20期

http://bohaishibei.com/post/category/main/page/2/ 共20期

......

经查看，每页都是20期

当你要查看的期数，超过20期的时候需要，增加page的数值，进入下一页进行获取

最后一页为这个:http://bohaishibei.com/post/category/main/page/48/

实现代码，这个我要想一想怎么写，我是第一次写爬虫，不要嘲讽我啊！

时间——17：09

感觉快实现了，还在写：

复制代码
def get_order(num):
    page = num / 20
    order = num % 20 # 超出一整页的条目
    for i in range(1, page+1): # 需这里需要尾巴
        url = 'http://bohaishibei.com/post/category/main/page/%d' % i
        print url
        
        if (i == page)&(order > 0):
            url = 'http://bohaishibei.com/post/category/main/page/%d' % (i+1)
            print url+",%d条" % order
get_order(55)
复制代码
运行结果：

复制代码
http://bohaishibei.com/post/category/main/page/1
http://bohaishibei.com/post/category/main/page/2
http://bohaishibei.com/post/category/main/page/3,15条
2
~~~~~~~~~~~~
15
复制代码
这里我考虑是这样的我需要重写 page_url，需要多加一个参数，如下：

复制代码
# 新增一个参数order，默认为20
def page_url(content, order = 20, beg = 0):
    try:
        url = []
        i = 0
        while i < order:
            url1 = content.index('<h2><a href="',beg)+13
            url2 = content.index('" ',url1)
            url.append(content[url1:url2])
            beg = url2
            i = i + 1
        return url
    except ValueError:
        return url   
复制代码




下面这个方法是传入参数num（需要多少期），一页20期，返回每一期的url，代码如下：

复制代码
def get_order(num):
# num代表获取的条目数量
    url_list = []
    page = num / 20
    order = num % 20 # 超出一整页的条目
    if num < 20:  # 如果获取的条目数量少于20（一页20个），直接爬取第一页的num条
        url = 'http://bohaishibei.com/post/category/main'
        main_html = getHtml(url)
        clean_content = main_content(main_html)         
        url_list = url_list + page_url(clean_content, num)  
    for i in range(1, page+1): # 需这里需要尾巴
        url = 'http://bohaishibei.com/post/category/main/page/%d' % i # 爬取整页的条目
        main_html = getHtml(url)
        clean_content = main_content(main_html)
        url_list = url_list + page_url(clean_content) #获取整夜
      
        if (i == page)&(order > 0):  # 爬到最后一页，如果有超出一页的条目则继续怕order条
            url = 'http://bohaishibei.com/post/category/main/page/%d' % (i+1)
            main_html = getHtml(url)
            clean_content = main_content(main_html)         
            url_list = url_list + page_url(clean_content, order)            
            #print len(page_url(clean_content, order))
    return url_list
复制代码
下面开始gogogo

复制代码
order = get_order(21)
for i in range(0, len(order)): #这个遍历列表太丑了，改了： for i in order
    html = getHtml(order[i])     
    content_data = content(html)
    title_data = title(content_data)
    img_data = get_img(content_data)
    data_out(title_data, img_data)
复制代码
ok了所有的代码都写完了



完整的代码我已经上传到我的github上了，地址为：https://github.com/521xueweihan/PySpider/blob/master/Spider.py

这里我在测试的时候有bug，因为该网站上有时候有的地方没有img的地址。如下图



我的代码也就跟着出问题了，因为我的title和img列表数量不一了，而列表长度我是以title的len()为准，结果就出现超出范围了。

这里记录一下，然后我要去除bug了。

ok啦，bug消除了。我改了img的匹配方法如下：

复制代码
def get_img(content,beg = 0):
    # 匹配图片的url
    # 思路是利用str.index()和序列的切片
    try:
        img_list = []
        while True:   
            src1 = content.index('src=',beg)+4  # 这样写就可以匹配src="/"
            src2 = content.index('/></p>',src1)
            img_list.append(content[src1:src2])
            beg = src2
        
    except ValueError:
         return img_list
复制代码


主函数：



复制代码
order = get_order(30) # get_order方法接受参数，抓取多少期的数据
for i in order:  # 遍历列表的方法
    html = getHtml(i)            
    content_data = content(html)
    title_data = title(content_data)
    img_data = get_img(content_data)
    data_out(title_data, img_data)
复制代码




爬下来的数据：







data.txt属性（共30期的数据）：





终于写完了！

开始时间——9:14

写爬虫，吃饭，洗澡，休息了一会。

结束时间——21：02

呼，没有半途而废就知足了，感觉这样把写爬虫的流程走了一遍下次再写的话会快一些吧。

爬虫是写完了，但是用网站显示还没有写，明天看如果没事就把网站写出来。

图片下载的功能，我还没有写，等写网站的时候再把它完善出来。

总结：

整个过程，纯手写，没有参考别人的代码。这一点可以赞一下。

这次写爬虫就是强制自己不用正则表达式，和XPATH，发现有很多地方，用这两个会很方便。这让我下定决心去学正则表达式和Xpath，哈哈。体会过才有深有感触。

下一个目标是学习正则表达式和Xpath。一点点来，当我学完就来写爬虫v2.0，逐步完善吧，如果上来就要写难得，我的智商着急啊！

然后多看看别人的爬虫，学习别人厉害的地方，提高自己。



欢迎大家指导交流。

完整的代码我已经上传到我的github上了，地址为：https://github.com/521xueweihan/PySpider/blob/master/Spider.py

---

欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/)

黑马程序员IT技术论坛 X3.2