Zi 字媒體

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.parseimporturllib.request# params CategoryId=808 CategoryType=SiteHome ItemListActionName=PostList PageIndex=3 ParentCategoryId=0 TotalPostCount=4000defgetHtml(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：frombs4importBeautifulSoupimportrequestimportre#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 returnresultdeffind_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。importmatchimportosimportdatetimeimportjsondefwriteToTxt(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) returnpathresult = saveBlogsprint(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！