Hello Python!用python写一个抓取CSDN博客文章的简单爬虫

网络上一提到python，总会有一些不知道是黑还是粉的人大喊着：python是世界上最好的语言。最近利用业余时间体验了下python语言，并写了个爬虫爬取我csdn上关注的几个大神的博客，然后利用leancloud一站式后端云服务器存储数据，再写了一个android app展示数据，也算小试了一下这门语言，给我的感觉就是，像python这类弱类型的动态语言相比于java来说，开发者不需要分太多心去考虑编程问题，能够把精力集中于业务上，思考逻辑的实现。下面分享一下我此次写爬虫的一下小经验，抛砖引玉。

开发环境的搭建

登录python官网下载客户端，python现在分为python3和python2，即对应的官网上的版本为3.5和2.7，二者的异同有兴趣可以搜索一下，就我的了解，2和3的语法会有不同，而且有的库支持2不支持3，有的支持3不支持2等等；又比如urllib2库（一个用来获取URLs的模块）在python2上引用要import urllib2，而在python3里就变成import urllib.request。等等。纠结使用哪个版本没有意义，代码是为逻辑服务的，无论2或3很明显都可以满足我们这些初学者的需求。这里推荐一下廖学峰老师的python教程。很高质量的教程，2和3都有，嫌看视频学得慢的朋友可以试试。

但是这里有一个坑要提醒一下：如果你也和我一样想要使用leancloud做后端服务器，那得使用python2，无他，因为人家文档里写着暂不支持python3。╮(╯_╰)╭

搭建环境的一些小坑：error2502/2503

下载客户端后，如果你点击安装后一切正常，那你可以忽略此步。如果出现安装失败error2502/2503，解决办法如下：

1. 打开命令提示符（管理员），如果你是win8：按win键进入桌面模式，左下角右键打开命令提示符（管理员）
2. 输入 msiexec /package “你安装程序包的路径”(例如：F:\python)

安装成功后配置环境变量（我的电脑-右键 属性-高级系统设置-环境变量）添加安装的目录（C:\Python27）到path。之后打开命令行输入python，如果出现如下图三个小箭头则说明python解释器已经安装成功了。

安装pip和beautifulsoup：

pip，大家可以理解成相当于android studio的gradle，可以一键配置开源库到项目中（后续配置leancloud服务器也可以很方便的导入他们的模块）。beautifulsoup则是一个HTML解析器，使用它解析html标签方便又简单。

1. 首先下载pip，下载 pip-8.1.2.tar.gz (md5, pgp)
2. 解压后，打开cmd命令行，切换盘符，再cd 进入解压的目录，例如： cd D:\pip-8.1.2
3. 命令行里输入 python setup.py install ，看到finished processing等字样即安装成功
4. 配置环境变量到path： C:\Python27\Scripts;
5. cmd 运行 pip install beautifulsoup4 ，看到successfully installed即安装成功

另外再推荐一款编辑器：pycharm，JetBrains出品你懂的，InteliJ系列风格，使用这款编辑器你会感觉像是在使用android studio一样，至少设置个字体大小啥的都不陌生。

万事俱备，Let’s begin!

初识爬虫

因为我也才刚接触python，所以有一些代码可能很无脑且未经过优化，仅仅只为实现需求，so~下面就开始分享我写的一些python代码，以及写爬虫时遇到的一些小坑

伪装浏览器

CSDN禁止爬虫，所以要爬取之前就要把爬虫伪装成浏览器，在访问之前增加一个header：

user_agents = [ 
    ‘Mozilla/5.0 (Windows; U; Windows NT 5.1; it; rv:1.8.1.11) Gecko/20071127 Firefox/2.0.0.11‘,
    ‘Opera/9.25 (Windows NT 5.1; U; en)‘,
    ‘Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)‘,
    ‘Mozilla/5.0 (compatible; Konqueror/3.5; Linux) KHTML/3.5.5 (like Gecko) (Kubuntu)‘,
    ‘Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.8.0.12) Gecko/20070731 Ubuntu/dapper-security Firefox/1.5.0.12‘,
    ‘Lynx/2.8.5rel.1 libwww-FM/2.14 SSL-MM/1.4.1 GNUTLS/1.2.9‘,
    "Mozilla/5.0 (X11; Linux i686) AppleWebKit/535.7 (KHTML, like Gecko) Ubuntu/11.04 Chromium/16.0.912.77 Chrome/16.0.912.77 Safari/535.7",
    "Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:10.0) Gecko/20100101 Firefox/10.0 ",
]
agent = random.choice(user_agents) #每次随机抽取一个伪装的客户端浏览器版本号
req = urllib2.Request(self.url) #将要请求的地址映射成request对象，然后可以对其添加HTTP头
req.add_header(‘User-Agent‘, agent)
req.add_header(‘Host‘, ‘blog.csdn.net‘)
req.add_header(‘Accept‘, ‘*/*‘)
req.add_header(‘Referer‘, ‘http://blog.csdn.net/mangoer_ys?viewmode=list‘)
req.add_header(‘GET‘, url)
html = urllib2.urlopen(req) #将request对象传入urlopen方法，返回一个response对象
page = html.read().decode(‘utf-8‘) #调用read方法就可以获得html网页的信息了，主要还要对其转码为utf-8

这里就已经爬取到网页内容了（page），后面只要通过正则来解析你需要的数据，简单的爬虫其实就已经完成了。

现在来整理一下，我们到底需要一些什么数据？我的目的是爬取一个，甚至几个博主的全部博客，然后在手机上展示。那么就需要：

• 先访问给定的网址（博主的博客首页），并获取一篇博客的链接地址，然后让爬虫去访问该地址
• 获得这篇博文的标题，作者，发表时间、文章内容。这些是最基础的，也是必要的展示内容
• 获得这篇博文的id，作者的id，用来做后端存储数据的唯一标识
• 获得这篇博文底部的上一篇/下一篇博文按钮所链接的地址，并让爬虫访问改地址
• 循环往复，直到不存在上一篇/下一篇博文

创建一个类来执行第一个业务：
要注意的是：python的规定方法定义必须有额外的参数self指代其本身，类似java的this。

class Get_First_Url: #用于获取博客首页第一篇博文的地址的类
    def __init__(self, url2): #类构造器，这里我们还传入一个url，即博客首页的地址
        self.url = url2 #将参数赋值给类，python里可以任意添加成员变量而不用提前声明，要用的时候直接调用self.xxx
        ‘‘‘
        伪装浏览器
        ‘‘‘
        self.page = page #获取的网页信息
        self.beginurl = self.getFirstUrl() #下面我们会定义一个方法来解析网页并保存一篇的地址

解析html标签

上面获得的page包含了所有的网页里的html标签，我们现在就要解析标签，获得信息，举个例子，在我的博客主页里右键-查看源代码，可以看到整个网址包含的所有html标签，如何从中找到自己想要的信息是哪个标签呢？

以获取第一篇博客的链接地址为例，右键标题，审查元素，就可以看到该链接的html标签了

<span class="link_title">
    <a href="/yazhi1992/article/details/51497576">
        eclipse再见，android studio 新手入门教程（三）Github（.ignore忽略规则）的使用            
    </a>
</span>

很容易看出，博客地址就是csdn网址拼接span标签内的a标签的key为href对应的value值。为了得到这个值，就要使用breautifulsoup解析，我们定义一个方法：

def getFirstUrl(self):
    bs = BeautifulSoup(self.page) #创建breautifulsoup对象
    html_content_list = bs.find(‘span‘, class_=‘link_title‘) #获得key为class，value为link——title的span标签，因为class与python语法的关键字冲突，所以要使用 class_ 代替
    if (html_content_list == None): #如果未找到该标签则返回‘nourl‘
            return "no url"
    try: #异常捕获
        return ‘http://blog.csdn.net‘ + html_content_list.a[‘href‘]
    except Exception, e:
        return "nourl"

所以到这里，我们就已经可以得到我们所需要的第一个数据了：

first_spider = Get_First_Url(now_url) 
begin_url = first_spider.beginurl

获取其他数据方法类似，值得一提的是另一种标签的解析，需要的数据是标签内部的文字：

<div class="article_r">
    <span class="link_postdate">I want this</span>
</div>

想要获得标签的内容

bs = BeautifulSoup(self.page) #创建breautifulsoup对象       
html_content_list = bs.find(‘span‘, class_=‘link_postdate‘)
print html_content_list.string

我还遇到过想要获取时间2015-10-10 16:24这个值，但是执行上述代码会报错，提说说soup没有string这个值，那就需要对其做个转变为字符串的操作

print str(html_content_list.string)

更多breautifulsoup的用法可以参考Python爬虫利器二之Beautiful Soup的用法

编码问题：python Non-ASCII character ‘\xe5’ in file

如果你运行程序后报这个错，解决办法是在文件头添加：

#coding=utf-8
import sys
default_encoding = ‘utf-8‘
if sys.getdefaultencoding() != default_encoding:
    reload(sys)
    sys.setdefaultencoding(default_encoding)

关于python的一些注意点：

talk is cheap，show you the code

切割字符串

str = ‘this is test‘  
print str[:4]  #输出结果  this
print str[3:]  #输出结果  s is test
print str[1:4]  #输出结果  his

不用多说，冒号“ ： ”代表首或尾，和java一样的包左不包右。如果首尾都是数字，中间用冒号分割。

关于数组

list = []
print list[-2] #数组倒数第二个的值

关于全局变量

直接在外部定义全局变量，但是使用时需要用globla关键字表示

TEST = ‘this is globla variabla‘

class ...
    def...
        globla TEST  #使用关键字标识这个TEST是全局变量
        print TEST   #使用该变量

关于导包

IDE好像不能自动导包（我也没认真去翻setting）导包的话直接在文件头import相应的包，例如

from bs4 import BeautifulSoup  #导breatifulsoup的包
import urllib2  
import random 
...等等

关于布尔类型True、False

python的布尔类型是首字母大写的（或者IDE可以设置忽略大小写联想，我没有去仔细翻）。(╯‵□′)╯︵┻━┻

其他

if(list==null||list.size == 0) {  //java
    ...
} else {
    ...
}

if (list == None or len(list) == 0):  #python
    ...
else:  
    ...

python爬虫源码下载，请替换自己的leancloud应用的id和key，具体如何在爬虫里上传数据，以及在app里如何读取数据，请阅读leancloud官方开发文档。

Stay hungry, Stay foolish。下篇博客见。