程序员

初识python及数据爬取

2017-05-09  本文已影响924人  e_payne

初识python

作为一位前端开发人员，一直以来，接触最多的也都是html，css，js；有时候会需要搭建一些node服务器，写一些node后台代码，仅此而已；

而python，只是在以前使用某些软件时，需要python环境，就安装到了电脑，然后，从来都没有真正的接触过它；

随着数据分析、深度学习、机器学习的发展，也让我开始了python的学习之旅；虽然都说，不管是什么语言，基本上都是相通的；但是对于一种你从未接触过的语言，基础，还是非常重要的；所以，我还是默默的打开了浏览器，在百度中搜索了“python基础教程”，最后找到了Python 基础教程 ｜ 菜鸟教程，在这里面，有环境的搭建、基本语法、数据类型、常用函数等非常基础的教程，我觉得非常适合我这种从来没有接触过的人；随后，我花了几个小时的时间，将这里面基础教程的所有内容看了一遍，在看的过程中，也跟着做了一些练习；

虽然说，看了基础教程，也顶多你大概能够使用python进行一些简单的运算而已；而作为开发人员，都明白一个道理，最好、最快的学习一种语言的方式当然是从一个简单的项目开始，自己能够从头开始做一个自己觉得有意思但是难度不是很大的东西，这样，不仅能够让自己能够更快的去理解这种语言，而且，会使自己更有学习的动力和信心；因此，我开始了一个简单的网站的数据爬取的实现，因为对于我这种前端出生的人来说，与浏览器打交道，与网页打交道，相对来说，简单很多；

开始

首先，我肯定不知道从何处开始，因此，我只能继续百度“python 爬虫”；最后找到了这篇文章“Python爬虫实战二之爬取百度贴吧帖子”,为什么选择它呢？只有一个原因，在它的文章最后，有完整的代码，我没去看里面的描述，而是，直接用sublime直接创建了一个名为

$ pachong.py

的文件，然后将代码全部拷贝进去（虽然说可能代码根本运行不通）；

随后，我开始了我的爬虫之旅，一开始，我就直接在拷贝的代码基础上直接修改，而不同的是它爬取的是百度贴吧，我爬取的是汽车之家。然后代码就在这儿pachong.py（由于代码较多，就不直接贴出来了，有兴趣的，可以直接点链接进github查看）；在这里面有个很坑的地方，它的所有筛选自己需要数据的方式是通过正则匹配的方式实现的，而我什么也不知道的跟着学着，也使用正则，让我为了从整个html中筛选自己需要的，花费了太多的时间，而且效果一般；但是后面才发现，已经有很完善的专门匹配页面内容方式的Python库BeautifulSoup(这是它的中文文档链接)；

使用BeautifulSoup重写

当发现了BeautifulSoup之后，简单看了一篇BeautifulSoup教程，看完之后，如获至宝，因为它的使用方式里面有很多和前端里面去获取元素，获取节点有异曲同工之妙；而我最喜欢使用的，是里面的“CSS选择器”方式，简直和前端使用jquery一模一样，比如：

通过标签名查找

print soup.select('p')

通过类名查找

print soup.select('.sister')

通过 id 名查找

print soup.select('#link1')

......等等；

因此，我果断选择使用BeautifulSoup对上面最初的版本进行重写，尤其是在对内容的筛选；而这一次，我选择了去爬取“蚂蜂窝”的游记；

作为前端开发的我，对于Chrome DevTools的使用，简直是易如反掌；所以很容易就可以找出怎么去获取自己需要的内容（到底是用类名查找还是id查找，或者是什么组合查找），对于Chrome DevTools不是很熟的同学，可以看下这个感觉挺全的；

以爬取蚂蜂窝的游记为例，比如这一篇：

1、通过request获取网页

request = urllib2.Request('http://www.mafengwo.cn/i/6958115.html')
response = urllib2.urlopen(request)
soup = BeautifulSoup(response.read().decode('utf8').encode('utf8'), "html.parser")

2、获取标题

return soup.select('.headtext')[0].string

3、获取文章html内容

article = soup.select('.vc_article')[0]
html = article.prettify()

4、获取用户信息（如头像，名称）,这个稍微要复杂一些，因为它在上面第一步直接请求的html页面里面是找不到的，然后通过Chrome DevTools中的Network功能，可以找到拉取这些信息的请求地址“https://www.mafengwo.cn/note/pagelet/pagelet/headOperateApi?callback=jQuery1810173556954190627_1492868085919&params=%7B%22iid%22%3A%226958115%22%7D&_=1492868086249”，细心的你可能会发现，在这个请求中有个“6958115”，这个不就是第一步里面页面的结尾数字吗，我们可以理解为id；那么，这个请求就是通过

开始

https://www.mafengwo.cn/note/__pagelet__/pagelet/headOperateApi?callback=jQuery1810173556954190627_1492868085919&params=%7B%22iid%22%3A%226958115%22%7D&_=1492868086249](https://www.mafengwo.cn/note/__pagelet__/pagelet/headOperateApi?callback=jQuery1810173556954190627_1492868085919&params=%7B%22iid%22%3A%22

加上 id

6958115

加上结尾

%22%7D&_=1492868086249

最后组合成的一个完整的url，然后通过第一步请求后，将获取的数据通过正则的方式，只去html部分，然后通过BeautifulSoup取出对应的头像，姓名；

//其中article_id就是上面说的第一步链接结尾数字“6958115”
userInfoURL = 'https://www.mafengwo.cn/note/__pagelet__/pagelet/headOperateApi?callback=jQuery1810173556954190627_1492868085919&params=%7B%22iid%22%3A%22' + article_id +'%22%7D&_=1492868086249'

request = urllib2.Request(userInfoURL)
response = urllib2.urlopen(request)
result = response.read()

pattern = re.compile('jQuery.*?\(')
pattern1 = re.compile('\)\;')

result = re.sub(pattern, "", result)
result = re.sub(pattern1, "", result)

result = eval(result)

html = result['data']['html']

soup = BeautifulSoup(html, "html.parser")

//头像
avatar = soup.select('.per_pic img')[0]['src']

//用户名
name = soup.select('.per_name')[0]['title'].encode('utf-8')

搭建服务器

在你爬取到数据之后，你总会希望能够在界面上能够真正的展示出来，所以，我就决定使用python搭建一个简单的本地服务器；因为通过学习python的时候发现菜鸟教程确实比较适合我这种菜鸟的，所以就看完了Django 菜鸟教程，这个教程虽然简单，但是全面，对我做一个简单服务器来说，足够了；然后，就通过这个教程搭建了一个简单的python服务器，在浏览器中，就可以看到自己爬取的页面了，具体可见整个项目代码

mongodb 数据保存、使用

在你爬取一篇过后，肯定是不会停止的，所以，我们总会找个能够保持我们爬取数据的地方（数据库）；因为以前在进行node开发的时候，使用过mongodb，所以就选择了它作为我保存数据的地方；使用python来操作mongodb，我没有找到相关比较好的文章，所以就直接参考的PyMongo 3.4.0 documentation这个api文档，这个夜比较详细和简单，对于我来说够用了；它包含了如何和mongodb链接、如何获取数据库，如何获取数据库里面的collection，如何查找、添加数据等等；其实很简单：

from pymongo import MongoClient
import settings

#连接mongodb
client=MongoClient('mongodb://127.0.0.1:27017/')

//获取数据库
db = client[settings.DBNAME]

// 获取数据库里面的collection
def getCollection(collection):
    if(collection):
        return db[collection]
    else:
        return None

数据保存的代码就不贴出来了，有兴趣可以看这个models.py.

自动爬取所有游记

当你想爬取更多的时候，你肯定不希望是自己手动去查找一个一个的id，然后手动爬取，所以，我们就希望有更加自动化的爬取方式；对于这种方式，必须得解决下面两个问题：

第一个，获取所有id；当你使用Chrome DevTools Network去看列表下一页的请求的时候，你会发现，它访问了一个“http://www.mafengwo.cn/note/pagelet/pagelet/recommendNoteApi?callback=jQuery18103478581123017468_1492999122522&params=%7B%22type%22%3A0%2C%22objid%22%3A0%2C%22page%22%3A1%2C%22ajax%22%3A1%2C%22retina%22%3A0%7D&_=1492999206862”这样的链接，它也是和上面获取用户信息一样分成三个部分，其中有个第几页的参数“page=1”,这里面就返回了所有的列表的html代码，其中包括我们需要的id；

url = 'http://www.mafengwo.cn/note/__pagelet__/pagelet/recommendNoteApi?callback=jQuery18103478581123017468_1492999122522&params=%7B%22type%22%3A0%2C%22objid%22%3A0%2C%22page%22%3A'+str(page)+'%2C%22ajax%22%3A1%2C%22retina%22%3A0%7D&_=1492999206862'

request = urllib2.Request(url)
response = urllib2.urlopen(request)
result = response.read()

pattern = re.compile('jQuery.*?\(')
pattern1 = re.compile('\)\;')

result = re.sub(pattern, "", result)
result = re.sub(pattern1, "", result)
result = eval(result)

html = result['data']['html']
html = html.replace('\\/', '/')
html = html.decode('string-escape')
soup = BeautifulSoup(html, "html.parser")

links = soup.select('.tn-item .tn-image a')
_ids = []

for link in links:
    _id = link['href'].replace('/i/', '').replace('.html', '')
    _ids.append(_id)

然后我们就会根据每一页获取的id循环自动跑爬取对应页面数据并保存至数据库，每跑完一页的数据，就会递归跑下一页数据，直到最后一页

只是在跑的过程中，就会遇到第二个问题，因为访问过快、过于频繁而导致服务器拒绝访问，在这儿我没有通过网上说的各种高端的方式，而是采用的比较笨重的方式，就是在跑完一个请求后，让程序休息几秒钟，再去进行下一个请求，我将时间设置的10秒，目前没有拒绝访问的问题，只是跑起来比较慢一些；

import time

.....
time.sleep(10)
.....

对于上面的所有代码，如果感兴趣的，整个项目代码可以在这儿(github)找到.

目前，爬取就差不多只有这些，后面会慢慢继续去完善和学习；对于我来说，python的学习之路也才刚刚开始；

上一篇下一篇

猜你喜欢

热点阅读