本实验采用python3.6环境

1. 实验目的

掌握爬虫工作的基本原理，并完成一定的任务。

1.1 编写爬虫脚本使其可以工作
1.2 完成批量爬取文本文章的任务（单一网站）
1.3 将文本文章转存到mysql数据库和项目文件夹中

---

2. 相关知识

2.1 python基础知识学习

python3 字符串基本操作 |
python3 file操作 |
python3 os操作

2.2 python爬虫知识学习

BeautifulSoup |
python 爬虫介绍

2.3 pymysql的使用

python mysql-connector驱动 |
pymysql操作

2.4 其他相关

遇到的问题 |
bs4.select()

3. 爬虫实现

3.1爬虫初步实现

（1）我们爬取中国化工市场机械网，以下为相关代码演示

import requests
from bs4 import BeautifulSoup

    res = requests.get(addresses[i])
    res.encoding = 'GB18030'  # 通过修改编码方式为GB18030,兼容网站编码（gb2312）
    # 这里的'html.parser'是为了告诉BeautifulSoup这个html_sample的解析形式是html格式#
    soup = BeautifulSoup(res.text, 'html.parser')
    article_content = soup.select(
        '#NewsMainLeft > div.mainBox.MarginTop10.articleBox > div.article > div.ArticleMatter')
    article_title = soup.select(
        '#NewsMainLeft > div.mainBox.MarginTop10.articleBox > div.article > div.articleTitle > h1')

此处select()中的内容，可以使用chrome浏览器的开发者模式，选中该标签，右键copy->copy selector,再复制到select()中，更精确。

利用print()方法可以将爬下来的字段打印出来。

但是只可以爬取单一网址下的内容，如果想批量爬取改网站文章，就需要多次更改爬取的网址，不合理。

（2）我发现有两个办法可以实现批量的爬取

• 发现网址之间的规律，使用循环每次更改网址，但是使用中发现网址的变化有时会脱离规律，在运行过程中会出现一些错误，因此不推荐使用该方法。
• 另一种方法是：再爬取网站内的下一篇的<a>标签内的href属性，作为返回值，使用到下一次循环当中。如下代码演示：

    next_address = soup.select(
        '#NewsMainLeft > div.mainBox.MarginTop10.articleBox > div.article > div.arNext > a[href]')

3.2 爬取文本初步整理

爬取下来的文本，我发现有一些位置出现不必要的字符、回车等，这些如果无法处理，将影响到后期存储数据，故需要清除，代码如下：

    for s in article_title:
        delete = str(s.contents)
        title = delete.replace('[\'', '').replace('\']', '').replace('\\r', '').replace('\\n', '').replace('\\t', '')\
            .replace('\\', '').replace('/', '').replace(':', '').replace('*', '').replace('?', '').replace('\"', '')\
            .replace('<', '').replace('>', '').replace('|', '')
    for t in article_content:
        delete = str(t.contents)
        context = delete.replace('[\'', '').replace('\']', '').replace('\\r', '').replace('\\n', '').replace('\\t', '')\
            .replace('\\u3000', '').replace('\', <br/>,', '').replace('<br/>, \'', '').replace('<br/>,', '')\
            .replace('<br/>', '').replace('</p>', '').replace('<p>', '').replace(' ', '').replace('\'', '').lstrip('\'')
    title_and_context = title+'。'+context
    if title_and_context[len(title_and_context)-1] == "\'":
        title_and_context = title_and_context[:len(title_and_context)-1] + ''

经过上述处理，文本信息初步处理完毕

⬆文章存储如图上sql语句内显示⬆

3.3 文章存储

（1）涉及编码问题，首先，被爬取的网页的编码为gb2312，但是在爬取过程中，如：“槃”字仍无法识别报错，我将爬虫的爬取编码设为gb18030，问题解决。gb18030是gb2312和gbk编码扩大后的编码格式，支持的汉字更多。

（2）数据库也需要设置，通常，mysql默认建立数据库和表的编码是utf-8，在这里，我改成gb18030防止存入数据库时出错.

如上图的设置

（3）保存为.txt

# 保存到文本文件当中
def save_files(path, curr_file_name, curr_content):
    if os.path.exists(path):       # 判断文件夹是否存在
        os.chdir(path)             # 进入文件夹
    elif os.getcwd()[-len(path):] == path:
        print("本篇文章已存入")
    else:
        os.mkdir(path)                 # 创建文件夹
        os.chdir(path)                 # 进入文件夹
    f = open(curr_file_name, 'w', encoding='GB18030')
    f.write(curr_content)
    f.close()
    print(os.getcwd())

（4）保存到数据库

• 建立数据库连接

util.py
import mysql.connector

def get_connect(curr_host, curr_user, curr_passwd, curr_database):
    my_db = mysql.connector.connect(
        host=curr_host,       # 数据库主机地址
        user=curr_user,            # 数据库用户名
        passwd=curr_passwd,           # 数据库密码
        database=curr_database  # 进入数据库
    )
    my_cursor = my_db.cursor()
    return my_cursor, my_db

• 创建数据库

import mysql.connector
# my_cursor.execute("CREATE DATABASE articles_db")
# my_cursor.execute("USE articles_db")
my_db = mysql.connector.connect(
        host="localhost",       # 数据库主机地址
        user="root",            # 数据库用户名
        passwd="123",           # 数据库密码
        database="articles_db"  # 进入数据库
    )
my_cursor = my_db.cursor()

my_cursor.execute(
     "CREATE TABLE articles_tb (id INT AUTO_INCREMENT PRIMARY KEY, htmlId varchar(255), context MEDIUMTEXT)")

• 保存到数据库中

# 保存到mysql中
def save_files_to_mysql(curr_file_name, curr_content):
    my_cursor, my_db = util.get_connect("localhost", "root", "123", "articles_db")
    sql_1 = "INSERT INTO articles_tb (htmlId,context)VALUES(\'"
    sql_2 = "\',\'"
    sql_3 = "\')"
    sql = sql_1+curr_file_name+sql_2+curr_content+sql_3
    print("sql:" + sql)
    my_cursor.execute(sql)
    my_db.commit()              # 提交到数据库执行，必须一步勿忘
    my_cursor.close()
    my_db.close

4.总结

4.1

我通过爬虫，爬取到了一定量的数据，后面的计划是利用这些文本，经过一系列的操作，如数据清洗、三元组提取、知识图谱的建立等，实现一个一定领域内的搜索功能。

4.2

关于爬虫，有很多值得使用的框架，如pyspider、Scrapy等，后期学习之后会进行进一步的改进。