我的第一次Python爬虫——获取自己博客园的所有文章

最近在学 python 爬虫，所以拿自己的博客开刀，作为一次简单的 Python 爬虫实践。

Python 爬虫脚本的功能：

1、获得所有的文章标题和地址；

2、获得右侧公告栏里的个人信息。

运行的结果

先打印公告中的个人信息和文章的总数，接着列出所有的文章。截图只是开头的一部分。

这个脚本有什么用呢？

备份。以前我使用网上的软件备份自己QQ空间的日志，需要在软件上登录自己的账号，风险很大。

源码[get_articles_from_cnblogs.py]:

#!/usr/bin/env python3.5
# -*- coding:utf-8 -*-

from bs4 import BeautifulSoup
import requests
import re

name = 'artech'
my_cnbolgs = 'http://www.cnblogs.com/' + name

#文章列表，每个元素都是字典，格式：{'title':aaa, 'url':bbb}
article_list = []


def get_articles(name):
    page = get_total_pages_v2(name)    #获得总页数
    for i in range(1, page+1):
        url = 'http://www.cnblogs.com/{}/default.html?page={}'.format(name,i)
        get_one_page_articles(url)


def get_one_page_articles(url):
    wb_data = requests.get(url)
    soup = BeautifulSoup(wb_data.text,'lxml')
    articles = soup.select('a.postTitle2')

    for article in articles:
        data = {
            'title':article.get_text(),
            'url':article.get('href')
        }
        article_list.append(data)
    return article_list


# get_total_pages方法只是截取一个字符，文章页数不能超过9页
def get_total_pages(name):
    url  = 'http://www.cnblogs.com/{}/default.html?page=2'.format(name)
    web  = requests.get(url)
    soup = BeautifulSoup(web.text,'lxml')
    page = soup.select('div.pager')
    num  = page[1].get_text()[4:5]  #总页数，是个字符
    return int(num)


def get_total_pages_v2(name):
    url  = 'http://www.cnblogs.com/{}/default.html?page=2'.format(name)
    web  = requests.get(url)
    soup = BeautifulSoup(web.text,'lxml')
    page = soup.select('div.pager')
    num  = page[1].get_text()[4:5]

##    print(page[1].get_text())
    SEARCH_PAT = re.compile(r'd+')
    pat_search = SEARCH_PAT.search(page[1].get_text())
    if pat_search != None:
##        print(pat_search.group())
        num = pat_search.group()
    return int(num)


def get_info(name):
    url  = 'http://www.cnblogs.com/mvc/blog/news.aspx?blogApp=' + name
    web  = requests.get(url)
    soup = BeautifulSoup(web.text,'lxml')
    info = soup.select('div > a')
##    nick = info[0].get_text()
##    age = info[1].get_text()
##    followers = info[2].get_text()
##    follwees = info[3].get_text()
    data = [info[i].get_text() for i in range(0,4)]
##    nick,age,followers,follwees = data
    return data


if __name__ == '__main__':
    nick,age,followers,follwees = get_info(name)  # 获取个人信息
    get_articles(name)                            # 获取文章列表
    print('昵称：' + nick, ' 园龄：' + age,' 粉丝：' + followers,
          ' 关注：' + follwees, ' 文章：' + str(len(article_list)))
    print()
    for i in article_list:
        print(i['title'], i['url'], sep='
')
        print()

一些说明

1、获取公告中的信息（获取异步加载的数据）

学了爬虫对于网页有更多的认识：发现博客地址 http://www.cnblogs.com/luoxu34 只是正文部分（文章列表），侧边的所有信息都是 js 异步加载出来的。

2、统计文章总数

第一个版本的 get_total_pages 方法：

# get_total_pages方法只是截取一个字符，文章页数不能超过9页
def get_total_pages(name):
    url  = 'http://www.cnblogs.com/{}/default.html?page=2'.format(name)
    web  = requests.get(url)
    soup = BeautifulSoup(web.text,'lxml')
    page = soup.select('div.pager')
    num  = page[1].get_text()[4:5]  #总页数，是个字符
    return int(num)

自己使用的博客模版上是没有显示博文总数的，所以脚本是用 len 方法计算 article_list 列表的长度，作为文章的数量。

为了获得所有的文章，就要知道一共有多少页。

http://www.cnblogs.com/luoxu34/default.html?page=2 是第二页的文章列表，上下位置都出现了“共几页”的字样。

get_total_pages 方法就是截取了其中的一个字符，但是超过 9页的文章就有问题。

3、get_total_pages_v2(name) 方法

下图先把 <div class="paper"> 标签下的文字打印出来，用 正则 匹配出了页数。

http://www.cnblogs.com/Artech 一共有 564篇文章，截止现在：

这样就正确统计出了文章的总数。

def get_total_pages_v2(name):
    url  = 'http://www.cnblogs.com/{}/default.html?page=2'.format(name)
    web  = requests.get(url)
    soup = BeautifulSoup(web.text,'lxml')
    page = soup.select('div.pager')
    num  = page[1].get_text()[4:5]

##    print(page[1].get_text())
    SEARCH_PAT = re.compile(r'd+')
    pat_search = SEARCH_PAT.search(page[1].get_text())
    if pat_search != None:
##        print(pat_search.group())
        num = pat_search.group()
    return int(num)