zoukankan      html  css  js  c++  java
  • Python实现抓取CSDN博客首页文章列表

    1、使用工具:
    Python3.5
    BeautifulSoup
    2、抓取网站:
    csdn首页文章列表 http://blog.csdn.net/
    3、分析网站文章列表代码:
    这里写图片描述
    4、实现抓取代码:

    __author__ = 'Administrator'
    import urllib.request
    import re
    from bs4 import BeautifulSoup
    
    
    ########################################################
    #
    #              抓取csdn首页文章http://blog.csdn.net/?&page=1
    #
    #             参数baseUrl是要访问的网站地址
    #
    ########################################################
    class CsdnUtils(object):
        def __init__(self):
            user_agent='Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36'
            self.headers ={'Cache-Control':'max-age=0',
                            'Connection':'keep-alive',
                            'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
                            'User-Agent':user_agent,
                            }
            self.contentAll=set()
        def getPage(self,url=None):
            request=urllib.request.Request(url,headers=self.headers)
            response=urllib.request.urlopen(request)
            soup=BeautifulSoup(response.read(),"html.parser")
            #print(soup.prettify())
            return soup
        def parsePage(self,url=None,page_num=None):
            soup=self.getPage(url)
            itemBlog=soup.find_all('dl','blog_list clearfix')
            cnArticle=CsdnUtils
            print("========================第",page_num,"页======================================")
            for i,itemSingle in enumerate(itemBlog):
                cnArticle.num=i
                cnArticle.author=itemSingle.find('a','nickname').string
                cnArticle.postTime=itemSingle.find('label').string
                cnArticle.articleView=itemSingle.find('em').string
                cnArticle.title=itemSingle.find('h3',"tracking-ad").string
                cnArticle.url=itemSingle.find("h3").find("a").get("href")
                print("数据:",cnArticle.num+1,'	',cnArticle.author,'	',cnArticle.postTime,'	',cnArticle.articleView,'	',cnArticle.title,'	',cnArticle.url)
    
    
    #######     执行    ########
    if __name__ =="__main__":
    
        #要抓取的网页地址'http://blog.csdn.net/?&page={}'.format(i+1),i+1)
        url = "http://blog.csdn.net"
    
        cnblog=CsdnUtils()
        for i in range(0,2):
            cnblog.parsePage(url,i+1)
    
    

    5、执行结果:
    这里写图片描述

  • 相关阅读:
    笔记本Linux系统,修改合盖不待机
    用Java8把List转为Map
    获取本地请求的真实IP地址
    PowerDesigner 把Comment复制到name中和把name复制到Comment
    axios封装http请求
    Fiddler代理配置
    第十九章 代码重用
    第十八章 字符串
    第十七章 特殊类成员
    第十六章 多态性
  • 原文地址:https://www.cnblogs.com/luweiwei/p/5968459.html
Copyright © 2011-2022 走看看