復旦大數據
ID:FuDanBigData
前言
最近業餘在做一個基於.NETCore的搜索項目,奈何基層代碼寫好了,沒有看起來很華麗的數據供測試。很巧的也是博客搜索,於是乎想到了博客園。C# 也能做做頁面數據抓取的,不過在博客園看到的大部分都是python實現,所以就臨時想了一下看看python到底是什麼東東。
不看基礎語法,不看語言功能,直接上代碼,哪裡不會搜哪裡。代碼完成總共用時大概4個小時,其中搭建環境加安裝BeautifulSoup大概1個小時。解析HTML用時間最多了,邊看demo邊解析,大概2個小時,剩下的時間就是調試加保存數據了。
環境搭建
既然用python,那麼自然少不了語言環境。於是乎到官網下載了3.5版本的。安裝完之後,隨機選擇了一個編輯器叫PyCharm,話說python編輯器還真挺多的。由於本人是小白,所以安裝事項不在過多贅述。
建好項目,打開編輯器,直接開工。本來之前用C#寫的時候,大體思路就是獲取網頁內容,然後正則匹配。後來發現網上的帖子也很多。不過在搜索過程中發現,不建議用正則來匹配HTML。有正好我的正則不太好,所以我就搜了一下HTML解析工具,果不其然,人家都做好了,直接拿來用吧。沒錯就是這個東東:BeautifulSoup。
安裝也很簡單,不過中間出了個小插曲,就是bs4沒有。繼續搜,然後需要用pip安裝一下就好了。(當然我並不知道bs4和pip是什麼鬼)
思路分析
博客嗎,我當然就對準了博客園,於是乎,進入博客園首頁,查看請求。
發送請求
當然我不知道python是怎麼進行網路請求的,其中還有什麼2.0和3.0的不同,中間曲曲折折了不少,最終還是寫出了最簡單的一段請求代碼。
importurllib.parse
importurllib.request
# params CategoryId=808 CategoryType=SiteHome ItemListActionName=PostList PageIndex=3 ParentCategoryId=0 TotalPostCount=4000
defgetHtml(url,values):
user_agent='Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36'
headers = {'User-Agent':user_agent}
data = urllib.parse.urlencode(values)
response_result = urllib.request.urlopen(url+'?'+data).read
html = response_result.decode('utf-8')
returnhtml
#獲取數據
defrequestCnblogs(index):
print('請求數據')
url ='http://www.cnblogs.com/mvc/AggSite/PostList.aspx'
value= {
'CategoryId':808
'CategoryType':'SiteHome'
'ItemListActionName':'PostList'
'PageIndex': index,
'ParentCategoryId':0
'TotalPostCount':4000
}
result = getHtml(url,value)
returnresult
其實博客園這個請求還是挺標準的,哈哈正好適合抓取。因為他返回的就是一段html。(如果返回json那不是更好。。。。)
數據解析
上文已經提到了,用到的是BeautifulSoup,好處就是不用自己寫正則,只要根據他的語法來寫就好了,在多次的測試之後終於完成了數據的解析。
先上一段HTML。然後在對應下面的代碼,也許看起來更輕鬆一些。
<divclass="post_item"
<divclass="digg"
<divclass="diggit"onclick="DiggPost('hyper-xl'64177412812381)"
<spanclass="diggnum"id="digg_count_6417741"1</span>
</div>
<divclass="clear"></div>
<divid="digg_tip_6417741"class="digg_tip"></div>
</div>
<divclass="post_item_body"
<h3><aclass="titlelnk"href="http://www.cnblogs.com/hyper-xl/p/6417741.html"target="_blank"Python 字元串格式化</a></h3>
<pclass="post_item_summary"
<ahref="http://www.cnblogs.com/hyper-xl/"target="_blank"
<imgwidth="48"height="48"class="pfs"
src="//pic.cnblogs.com/face/795666/20160421231717.png"alt=""/>
</a> 轉載請註明出處 Python2.6+ 增加了str.format函數,用來代替原有的'%'操作符
。它使用比'%'更加直觀、靈活。下面詳細介紹一下它的使用方法。 下面是使用'%'的例子: 格式很像C語言的printf是不是?由於'%'是一個操作符,只能在左右
兩邊各放一個參數,因此右邊多個值需要用元組或 ...
</p>
<divclass="post_item_foot"
<ahref=class="lightblue"新月的力量_141</a>
發佈於 2017-02-19 23:07
<spanclass="article_comment"
<ahref="http://www.cnblogs.com/hyper-xl/p/6417741.html#commentform"title=""class="gray"
評論(0)
</a>
</span>
<spanclass="article_view"
<ahref=class="gray"
閱讀
(138)
</a>
</span>
</div>
</div>
<divclass="clear"></div>
</div>
通過上文的HTML代碼可以看到幾點。首先每一條數據都在 div(class="post_item")下。然後 div("post_item_body")下有用戶信息,標題,鏈接,簡介等信息。逐一根據樣式解析即可。
代碼如下:
frombs4importBeautifulSoup
importrequest
importre
#解析最外層
defblogParser(index):
cnblogs = request.requestCnblogs(index)
soup =BeautifulSoup(cnblogs,'html.parser')
all_div = soup.find_all('div', attrs={'class':'post_item_body'}, limit=20)
blogs =
#循環div獲取詳細信息
foriteminall_div:
blog = analyzeBlog(item)
blogs.append(blog)
returnblogs
#解析每一條數據
defanalyzeBlog(item):
result = {}
a_title = find_all(item,'a''titlelnk')
ifa_titleisnotNone:
# 博客標題
result["title"] = a_title[0].string
# 博客鏈接
result["href"] = a_title[0]['href']
p_summary = find_all(item,'p''post_item_summary')
ifp_summaryisnotNone:
# 簡介
result["summary"] = p_summary[0].text
footers = find_all(item,'div''post_item_foot')
footer = footers[0]
# 作者
result["author"] = footer.a.string
# 作者url
result["author_url"] = footer.a['href']
str = footer.text
time = re.findall(r"發佈於 .+? .+? ", str)
result["create_time"] = time[0].replace('發佈於 ''')
comment_str = find_all(footer,'span''article_comment')[0].a.string
result["comment_num"] = re.search(r'\d+', comment_str).group
view_str = find_all(footer,'span''article_view')[0].a.string
result["view_num"] = re.search(r'\d+', view_str).group
returnresult
deffind_all(item,attr,c):
returnitem.find_all(attr,attrs={'class':c},limit=1)
上邊一堆代碼下來,著實花費了我不少時間,邊寫邊調試,邊百度~~不過還好最終還是出來了。等數據都整理好之後,然後我把它保存到了txt文件裡面,以供其他語言來處理。本來想寫個put直接put到ElasticSearch中,奈何沒成功。後邊在試吧,畢竟我的重點只是導數據,不在抓取這裡。
importmatch
importos
importdatetime
importjson
defwriteToTxt(list_name,file_path):
try:
#這裡直接write item 即可,不要自己給序列化在寫入,會導致json格式不正確的問題
fp = open(file_path,"w+",encoding='utf-8')
l = len(list_name)
i =0
fp.write('[')
foriteminlist_name:
fp.write(item)
ifi<l-1:
fp.write(',\n')
i +=1
fp.write(']')
fp.close
exceptIOError:
print("fail to open file")
#def getStr(item):
# return json.dumps(item).replace('\'','\"')+',\n'
defsaveBlogs:
foriinrange(12):
print('request for '+str(i)+'...')
blogs = match.blogParser(i,5)
#保存到文件
path = createFile
writeToTxt(blogs,path+'/blog_'+ str(i) +'.json')
print('第'+ str(i) +'頁已經完成')
return'success'
defcreateFile:
date = datetime.datetime.now.strftime('%Y-%m-%d')
path ='/'+date
ifos.path.exists(path):
returnpath
else:
os.mkdir(path)
returnpath
result = saveBlogs
print(result)
上邊呢,我取了一百頁的數據,也就是大概2000條做測試。
成果驗收
廢了好大勁終於寫完那些代碼之後呢,就可以享受勝利的果實了,雖然是初學者,代碼寫的很渣,這參考一下,那參考一下,不過還是有些收穫的。運行效果如下:
生成的文件:
文件內容:
總結
一個簡單的抓取程序就寫完了,python還真是TM的好用。以後有空再研究研究吧。代碼行數算上空行和註釋總共100 (50+25+25)行。湊個整數好看點~~現在認識字我感覺就可以上手寫程序了。這裡百度一下,那裡google一下,問題就解決了,程序也出來了,大功告成。
是時候該和python暫時告別了,繼續我的。NET事業。話說上次做rss採集的時候,好多".NET要完蛋了","為什麼我們不招.NET" 是什麼鬼。
1:一百多篇大數據文檔下載!
2:超全數據分析資料免費下載!(包括SQL,R語言,SPSS,SAS,python,數據分析和數據挖掘)
3:清華大學數據科學院講座內容集錦免費下載!
4:Python超全資料分享!