Python爬虫分析CSDN个人博客数据

我就是我 2022-12-01 05:12 172阅读 0赞

> 前言：到周末了，产生一个idea，就是获取个人的全部博客标题及链接，发布时间、浏览量、以及收藏量等数据信息，按访问量排序，整理成一份Excel表存储。  
> 使用时，输入个人博客ID即可，从数据获取到解析存储，用到requests、BeautifulSoup、pandas等三方库，一个完整的Python爬虫实践。

![知识点][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9tYV8yMDE4_size_16_color_FFFFFF_t_70_pic_center]

### 目录 ###

*  网页分析
 *   *  博客列表分析
     *  单篇博客分析
 *  环境配置
 *  代码实现
 *   *  config 配置
     *  run 代码
 *  执行过程
 *  代码下载

# 网页分析 #

## 博客列表分析 ##

![博客列表][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9tYV8yMDE4_size_16_color_FFFFFF_t_70_pic_center 1]  
通过分析我的博客列表网页代码，提取出每篇文章的链接。  
我的博客列表url为：https://blog.csdn.net/xiaoma\_2018/article/list/1?t=1  
注意每个人的博客ID会不同，因此本爬虫使用时要求输入个人的博客ID及页码数，以达到通用的功能。

## 单篇博客分析 ##

![单篇博客][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9tYV8yMDE4_size_16_color_FFFFFF_t_70_pic_center 2]  
通过分析单篇博客的网页源码，从其中获取文章链接、文章标题、发布时间、浏览量、以及收藏量等数据信息。

# 环境配置 #

本爬虫程序，运行环境说明 PyCharm 2020.1.1、Python 3.7.5  
使用到的第三方依赖库如下：  
执行：pip freeze > requirements.txt 导出

> beautifulsoup4==4.9.1  
> pandas==1.1.1  
> requests==2.24.0

# 代码实现 #

代码主要思路是：

1.  要求输入博客ID和页面数
2.  爬取全部博客链接
3.  爬取每一篇博客的数据信息
4.  数据存储

## config 配置 ##

为了方便爬取不同的博客ID网页，单独写了入一个配置文件来定义爬虫用到的参数及文件路径参数，config.py 文件如下：

'''
    @Author Caso_卡索
    @Date 2020-8-30 15:00
    @Func 爬虫程序用到的请求头信息及文件路径信息
    @File config.py
    '''
    Host = "blog.csdn.net" # 请求头host参数
    User_Agent = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36 Edge/18.18362"
    Source = 'html.txt'   # 临时保存博客列表html源码
    EachSource = 'each.txt' # 临时保存每篇博客html源码
    OUTPUT = "博客信息.csv"  # 输出博客信息到 csv 文件

其中，User\_Agent必须根据自己的浏览器参数配置才能使用，其他参数可默认该配置。

## run 代码 ##

'''
    @Author Caso_卡索
    @Date 2020-8-25 22:14
    @Func Python爬虫CSDN博客文章数据，并写入excel表中
          使用 re 模块正则匹配要获取的 url地址
    '''
    import requests
    from bs4 import BeautifulSoup
    import pandas as pd
    import os
    import re
    from config import Host, User_Agent, Source, EachSource,OUTPUT
    
    results = [] # 存储全部数据
    
    def parseEachBlog(link):
        referer = "Referer: " + link
        headers = {
        "Referer": referer, "User-Agent": User_Agent}
        r = requests.post(link, headers=headers)
        html = r.text
        with open(EachSource, 'w', encoding='UTF-8') as f:
            f.write(html)
        soup = BeautifulSoup(open(EachSource, 'r', encoding='UTF-8'), features="html.parser")
        readcontent = soup.select('.bar-content .read-count')
        collection = soup.select('.bar-content .get-collection')
        readcounts = re.sub(r'\D', "", str(readcontent[0]))
        collections = re.sub(r'\D', "", str(collection[0]))
        blogname = soup.select('.title-article')[0].text
        time = soup.select('.bar-content .time')[0].text
        eachBlog = [blogname, link, readcounts, collections, time]
        return eachBlog
    
    def getBlogList(blogID, pages):
        listhome = "https://" + Host + "/" + blogID + "/article/list/"
        pagenums = [] # 转换后的pages页数
        for i in range(1, int(pages)+1):
            pagenums.append(str(i))
    
        for number in pagenums:
            url = listhome + number + "?t=1"
            headers = {
        "Referer": url, "Host": Host, "User-Agent": User_Agent}
            response = requests.post(url, headers=headers)
            html = response.text
            with open(Source, 'a', encoding='UTF-8') as f:
                f.write(html)
        # 获取全部博客的链接
        soup = BeautifulSoup(open(Source, 'r', encoding='UTF-8'), features="html.parser")
        hrefs = []
        re_patterm = "^https://blog.csdn.net/" + blogID + "/article/details/\d+$"
        for a in soup.find_all('a', href=True):
            if a.get_text(strip=True):
                href = a['href']
                if re.match(re_patterm, href):
                    if hrefs.count(href) == 0:
                        hrefs.append(href)
        return hrefs
    
    def parseData():
        results.sort(key=lambda result:int(result[2]), reverse=True) # 按浏览量排序
        dataframe = pd.DataFrame(data=results)
        dataframe.columns = ['文章标题', '文章链接', '浏览量', '收藏量', '发布时间']
        dataframe.to_csv(OUTPUT, index=False, sep=',')
    
    def delTempFile():
        if os.path.exists(Source):
            os.remove(Source)
        if os.path.exists(EachSource):
            os.remove(EachSource)
    
    if __name__ == '__main__':
        blogID = input("输入你要爬去的博客名: ")
        pages = input("输入博客列表页数: ")
        print("获取全部博客链接...")
        linklist = getBlogList(blogID, pages)
        print("开始获取数据...")
        for i in linklist:
            print("当前获取: %s"%(i))
            results.append(parseEachBlog(i))
        print("结束获取数据...")
        # 开始解析并存储 .csv 文件
        print("开始解析并存储数据...")
        parseData()
        print("删除临时文件...")
        delTempFile()

# 执行过程 #

以我自己的博客ID为例，来展示一下执行的过程及结果，我的博客列表目前两页。  
开始执行  
![开始][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9tYV8yMDE4_size_16_color_FFFFFF_t_70_pic_center 3]  
结束执行  
![结束][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9tYV8yMDE4_size_16_color_FFFFFF_t_70_pic_center 4]  
结果显示  
![结果][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9tYV8yMDE4_size_16_color_FFFFFF_t_70_pic_center 5]

# 代码下载 #

从想法到实现，再到输出这篇博文结束，还是挺好玩，在此总结分享。  
完整的爬虫代码上传到了本人Github上，地址如下：[ParseCSDNBlog][]

--------------------

> 作者： Caso\_卡索  
> 博客: https://blog.csdn.net/xiaoma\_2018  
> 版权声明：未经允许，禁止转载
> 
> 喜欢的朋友点赞支持一下，在此感谢…

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9tYV8yMDE4_size_16_color_FFFFFF_t_70_pic_center]: /images/20221123/b403bc127e2a42a69631c87e54bd9562.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9tYV8yMDE4_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221123/bca0bdc784ea44a6bad15c606e77c7a6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9tYV8yMDE4_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221123/2bd6c58f875f4c76814efb9fb7244e3d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9tYV8yMDE4_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221123/2ad2866f4a3c4e97a35780836f97d4cd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9tYV8yMDE4_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221123/fa166a2d00cd4ea9990f6abb081556f0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9tYV8yMDE4_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221123/e1d0e9e4e99a44c9b3edd0728346352a.png
[ParseCSDNBlog]: https://github.com/xiaoma101017/ParseCSDNBlog