爬虫实战【1】使用python爬取博客园的某一篇文章

第一次实战，我们以博客园为例。

Cnblog是典型的静态网页，通过查看博文的源代码，可以看出很少js代码，连css代码也比较简单，很适合爬虫初学者来练习。

 博客园的栗子，我们的目标是获取某个博主的所有博文，今天先将第一步。

第一步：已知某一篇文章的url，如何获取正文？

 

举个栗子，我们参考‘农民伯伯’的博客文章吧，哈哈。他是我关注的一个博主。

http://www.cnblogs.com/over140/p/4440137.html

这是他的一篇名为“【读书笔记】长尾理论”的文章。

我们如果想要存储这篇文章，需要保存的内容首先是文章的标题，再就是文章的正文。

 

文章的标题怎么获取的？

先看一下文章标题在网页源代码中的位置是如何的。

 

可以看出来，标题的文字内容是包含在一个a标签里面的，我们将这个标签打印出来：

<a id="cb_post_title_url" class="postTitle2" href="http://www.cnblogs.com/over140/p/4440137.html">【读书笔记】长尾理论</a>

 

那个标签具有id属性，值为“cb_post_title_url”，具有class属性，值为“postTitle2”，还具有一个href属性，指向了这篇文章的url。

这个标签应该是比较方便定位的，所以文章标题我们能够很快找到。

代码如下：

import urllib.request
import re

url='http://www.cnblogs.com/over140/p/4440137.html'
req=urllib.request.Request(url)
resp=urllib.request.urlopen(req)
html_page=resp.read().decode('utf-8')

title_pattern=r'(<a.*id="cb_post_title_url".*>)(.*)(</a>)'
title_match=re.search(title_pattern,html_page)
title=title_match.group(2)
#print(title)

上面的title就是我们想要爬取的这篇文章的代码

文章的正文如何获取呢？

来看一下文章的结构，正文的所有内容都在一个div标签里面，但是这个div中存在很多其他标签，并不是直接一堆文字放在div标签里面。比如有很多<p></p>标签，比如<strong>标签。

如何获取所有的内容呢？

我猜测，只要将所有><之间的内容，应该就可以获得所有的正文内容。试一下，代码如下：

div_pattern=r'<div id="cnblogs_post_body">(.*)</div>'

div_match=re.search(div_pattern,html_page)

div=div_match.group(1)

#print(div)



result_pattern=r'>(.*)<'

result_match=re.findall(result_pattern,div)

result=''

for i in result_match:

    result+=str(i)

print(result)

遗憾的是，失败了。。。打印出来的内容，不仅包含文字，还有一些包含在内的标签，比如<span>。

用正则表达式的缺陷这里就体现出来了。。我们还是用BeautifulSoup来解析文档吧。

 

使用BeautifulSoup解析内容的方法，请回顾我所写的爬虫入门的文章。

获取正文所在的div标签的代码如下：

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_page,'html.parser')

#print(soup.prettify())

div=soup.find(id="cnblogs_post_body")

#print(div.text)

print(div.get_text())

 

哈哈，大功告成，我们获得了正文的内容。为了便于保存，我们将文章保存到当前目录下。

 

filename=title+'.txt'

with open(filename,'w',encoding='utf-8') as f:

    f.write(div.text)
 

OK了，至此为止，我们获取并保存了这篇文章。

来，所有的代码如下所示：

import urllib.request

import re

from bs4 import BeautifulSoup



url='http://www.cnblogs.com/over140/p/4440137.html'

req=urllib.request.Request(url)

resp=urllib.request.urlopen(req)

html_page=resp.read().decode('utf-8')



title_pattern=r'(<a.*id="cb_post_title_url".*>)(.*)(</a>)'

title_match=re.search(title_pattern,html_page)

title=title_match.group(2)

#print(title)



'''

div_pattern=r'<div id="cnblogs_post_body">(.*)</div>'

div_match=re.search(div_pattern,html_page)

div=div_match.group(1)

#print(div)



result_pattern=r'>(.*)<'

result_match=re.findall(result_pattern,div)

result=''

for i in result_match:

    result+=str(i)

print(result)

'''



soup=BeautifulSoup(html_page,'html.parser')

#print(soup.prettify())

div=soup.find(id="cnblogs_post_body")

#print(div.text)

print(div.get_text())



filename=title+'.txt'

with open(filename,'w',encoding='utf-8') as f:

    f.write(div.text)