简单的Python爬虫就是这么简单

清疚 2022-01-19 01:29 162阅读 0赞

> python小白笔记。本人用到的是urllib2和正则的方式，爬取简书首页的文章列表，并存储到sqlite3中。

### 1. 开发工具和用到的库 ###

*  Python下载：本人暂时用的2.x版本，下载地址[点这里][Link 1]
 *  编辑器下载：本人用的是[PyCharm Community][]
 *  用到的库有：urllib2、re和sqlite3。

### 2. 开始写代码 ###

import re    
     import urllib2
     import sqlite3
    复制代码

导入正则库，url请求库以及Python自带的sqlite3数据库。正则表达式的学习可以参考[这里][Link 2]。

*  获取网页内容

url = "http://www.jianshu.com"
    req = urllib2.urlopen(url)
    buf = req.read().decode('utf-8')
    print buf
    复制代码

这样我们就获取到了网页内容。为了告诉服务器我们不是爬虫，可以加上header：

url = 'http://www.jianshu.com'
    request = urllib2.Request(url)
    request.add_header('User-Agent','Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36')
    req = urllib2.urlopen(request)
    buf = req.read().decode('utf-8')
    print buf
    复制代码

有些网站是post请求，所以还要添加参数：

#post请求需要添加urllib库
    import urllib
    str1 = 'http://xxxx'
    params = {
        'key':'value','key':'value'}
    data = urllib.urlencode(params)
    request = urllib2.Request(str1,data=data)
    req = urllib2.urlopen(request)
    buf = req.read()
    print buf
    复制代码

*  解析网页，获取文章列表。我只要了文章列表的作者，时间，标题，简介，分类，阅读数，评论数，收藏数和打赏数。

pattern = re.compile('<a.*?blue-link.*?>(.*?)</a>'+'.*?<span.*?data-shared-at="(.*?)">'
 +'.*?<a.*?title.*?>(.*?)</a>'+'.*?<p.*?>(.*?)'+
 '.*?<a.*?collection-tag.*?>(.*?)</a>'+
 '.*?(.*?)</a>'+'.*?(.*?)</a>'+'.*?(.*?)',re.S|re.M)
 items = re.findall(pattern,buf)
 复制代码

.\*\*? 非贪婪模式，忽略掉那些不要的内容 (.\*?) 分组，获取到你需要的内容 re.S 使 . 匹配包括换行在内的所有字符 re.M 多行匹配，影响 ^ 和 $

*  最后保存到 sqlite3数据库中

def saveJianShuContent(list):
        coon=sqlite3.connect("jianshu.db")
        c = coon.cursor()
        c.execute('''CREATE TABLE IF NOT EXISTS articelList(id INTEGER primary key AUTOINCREMENT,name text,time text,title text,content text
        ,tag text,read text,commond text,love text)''')
        c.executemany('INSERT INTO articelList VALUES(NULL,?,?,?,?,?,?,?,?)',list)
        coon.commit()
        coon.close()
    复制代码

`coon=sqlite3.connect("jianshu.db")`如果没有jianshu.db那么它会自动生成 `c = coon.cursor()`获取游标 `c.execute`创建表 `id INTEGER primary key AUTOINCREMENT`主键自动增加 `c.executemany('INSERT INTO articelList VALUES(NULL,?,?,?,?,?,?,?,?)',list)`把文章列表数据插入表中 \#\#3. 完整代码：

# 抓取简书首页
 def getContent():
 try:
 str1 = 'http://www.jianshu.com'
 request = urllib2.Request(str1)
 request.add_header('User-Agent','Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36')
 req = urllib2.urlopen(request)
 buf = req.read().decode('utf-8')
 pattern = re.compile('<a.*?blue-link.*?>(.*?)</a>'+'.*?<span.*?data-shared-at="(.*?)">'
 +'.*?<a.*?title.*?>(.*?)</a>'+'.*?<p.*?>(.*?)'+
 '.*?<a.*?collection-tag.*?>(.*?)</a>'+
 '.*?(.*?)</a>'+'.*?(.*?)</a>'+'.*?(.*?)'+
 '.*?.*?(.*?)',re.S|re.M)
 items = re.findall(pattern,buf)
 saveJianShuContent(items)
 for item in items:
 for item1 in items:
 print 'name---'+item1[0].encode('utf-8'),'time---'+item1[1],\
 'title---'+ item1[2].encode('utf-8'),'content---'+item1[3].encode('utf-8'),\
 'tag---'+item1[4].encode('utf-8'),'read--'+item1[5].encode('utf-8'),\
 'commond--'+item1[6].encode('utf-8'),'collect--'+item1[7].encode('utf-8'),'money---'+item1[8].encode('utf-8')
 except url.URLError, e:
 if hasattr(e,"code"):
 print e.code
 if hasattr(e,"reason"):
 print e.reason
 
 # 存入数据库
 def saveJianShuContent(list):
 coon= sqlite3.connect("jianshu.db")
 c = coon.cursor()
 c.execute('''CREATE TABLE IF NOT EXISTS articelList(id INTEGER primary key AUTOINCREMENT,name text,time text,title text,content text
 ,tag text,read text,commond text,love text,moeny text)''')
 c.executemany('INSERT INTO articelList VALUES(NULL,?,?,?,?,?,?,?,?,?)',list)
 coon.commit()
 coon.close()
 if __name__ == '__main__':
 getContent()
 复制代码

运行结果：

转载于:https://juejin.im/post/5a31d7166fb9a0451f30f2e0

[Link 1]: https://link.juejin.im?target=https%3A%2F%2Fwww.python.org%2Fdownloads%2F
[PyCharm Community]: https://link.juejin.im?target=https%3A%2F%2Fwww.jetbrains.com%2Fpycharm%2Fdownload
[Link 2]: https://link.juejin.im?target=http%3A%2F%2Fwww.runoob.com%2Fregexp%2Fregexp-example.html