python简书数据抓取

scrapy爬取完整网页完整数据,简书为例 如何使用scrapy框架爬取网页完整数据 项目准备 开启一个有模板的scrapy项目,在这里有scrapy经验的朋友应该都比较熟练了。进入到创建好的虚拟环境当中运行以下shell代码。 scrapy startproject [projectname] cd projectname scrapy genspider -t crawl spidername ["spiderdomain"] 完成之... 阅读详情

使用Python抓取简述首页标题即详情页信息

"""
   get page_data of 'JianShu.com'.(rewrite)
"""
import re
from lxml import etree
import requests
from bs4 import BeautifulSoup
import json


class PageTo:
    def __init__(self, url):
        self.url = url
        self.header = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
        }

        self.main_page = requests.get(self.url, headers=self.header)
        self.csrf_token = re.findall('<meta name="csrf-token" content="(.*?)" />', self.main_page.text)[0]
        self.note_id = re.findall('<li id=".*?" data-note-id="(.*?)"', self.main_page.text, re.S)
        print("第1页")
        self.page_parse(self.main_page.text)

    def get_ajax_page(self, start_page, end_page):
        ajax_header = self.header.copy()
        ajax_header.update({
            'X-INFINITESCROLL': 'true',
            'X-CSRF-Token': self.csrf_token
        })

        for page in range(start_page, end_page + 1):
            if page < end_page + 1:
                print(f"第{page}页")
                params = {'seen_snote_ids[]': self.note_id}
                ajax_page = requests.get(self.url, params=params, headers=ajax_header)
                self.page_parse(ajax_page.text)
                self.note_id += re.findall('data-note-id="(.*?)', ajax_page.text, re.S)
            else:
                print("It's over.")
                break

    def page_parse(self, page):
        article_title_link = re.findall('<a class="title" target="_blank" href="(.*?)">(.*?)</a>', page, re.S)
        article_abstract = re.findall(' <p class="abstract">(.*?)</p>', page, re.S)

        article_header = self.header.copy()
        article_header.update({
            'Upgrade-Insecure-Requests': '1'
        })
        for info in range(len(article_abstract)):
            print(article_title_link[info][1])
            print(article_abstract[info])

            article_page = requests.get(f'{self.url}{article_title_link[info][0]}', headers=article_header).text
            self.article_parse(article_page)

    def article_parse(self, article_page):
        soup = BeautifulSoup(article_page, 'lxml')
        article_info = soup.find('div', class_='article')
        author = article_info.find('div', class_='author').find('span', class_='name').get_text()
        author_info = json.loads(soup.find('script', type='application/json').get_text())
        article = article_info.find_all('p')
        print('author:', author)
        print(f'"likes_count":{author_info["note"]["likes_count"]},'
              f'"views_count":{author_info["note"]["views_count"]},'
              f'"public_wordage":{author_info["note"]["public_wordage"]},'
              f'"comments_count":{author_info["note"]["comments_count"]}')
        for info in range(len(article)):
            print(article[info].get_text())
        print("\n")


if __name__ == '__main__':
    JianShu = PageTo('https://www.jianshu.com')
    JianShu.get_ajax_page(2, 3)

Python爬虫实战:简书热门文章数据抓取与分析 本文详细介绍了如何使用Python编写爬虫程序抓取简书热门文章的数据。文章从环境配置、网页结构分析、爬虫编写、数据存储到数据分析,全面讲解了爬虫开发的各个环节。通过本教程,读者将掌握使用最新Python技术进行网络数据抓取的完整流程,包括requests库、BeautifulSoup库、正则表达式、Pandas数据处理以及数据可视化等技能。本文还提供了完整的代码示例,帮助读者快速上手实践。关键词Python爬虫;简书;数据抓取;数据分析;requests;Pandas。 阅读详情

相关推荐

Python网络爬虫实战:利用Requests+BeautifulSoup4+多线程异步技术高效抓取简书热门文章数据

Requests:人性化的HTTP库,用于发送网络请求:HTML/XML解析库,用于提取结构化数据:自动生成随机User-Agent,增强反爬能力线程池/异步IO:提升爬取效率的并发技术数据持久化:将采集结果保存为JSON和CSV格式本文详细介绍了使用Python现代爬虫技术栈构建简书热门文章爬虫的完整流程。通过结合Requests、BeautifulSoup4、多线程并发等关键技术,我们实现了一个高效、稳定的数据采集系统。

2201_76125261的博客 865

python爬虫爬取文献数据

文章利用python,安装Selenium工具爬取知网数据

m0_66526403的博客 5805

Python爬虫实战项目源码——简书个人文章数据抓取

htmltable {th, td {th {pre {简介:本项目是一个基于Python的爬虫脚本,旨在从简书平台抓取指定用户的个人文章数据,涵盖文章标题、作者、发布时间、阅读量、评论数等信息。作为学习Python网络爬虫技术的优秀实践案例,项目涉及Requests、BeautifulSoup等基础库的应用,并针对简书动态加载特性,采用Selenium或Pyppeteer模拟浏览器行为以获取完整内容。

weixin_42577735的博客 1837

【爬虫实战】Python爬取知网文献信息

Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。

weixin_68789096的博客 8726

Python分省份百度指数词条热度日数据爬取

Python分省份百度指数词条热度日数据爬取

Ubuntu18.04环境搭建与疑难解析:从零复现YOLO-6D姿态估计算法

本文详细介绍了在Ubuntu18.04环境下从零开始复现YOLO-6D姿态估计算法的完整流程,包括系统配置、Conda环境搭建、PyTorch安装、依赖项管理、源代码获取、数据集准备以及训练验证过程。针对Singleshotpose算法的特殊需求,提供了详细的疑难解析和性能优化技巧,帮助开发者高效完成算法复现和应用部署。

weixin_30369041的博客 457

关于爬取百度指数中的整体日均值(复现他人思路以及过程心得)

关于爬取百度指数的复现以及总结

qq_49277059的博客 1830

OpenCV机械臂手眼标定

这篇文章总结了手眼标定的原理,利用OpenCV自带的函数套用参数即可完成眼在手上和眼在手外两种标定。

Q先森的博客 6593

python爬虫抓取分页_Python爬虫—简书首页数据抓取

简书本该昨天完成的文章,拖了一天。可能是没休息好吧,昨天的在思路以及代码处理上存在很多问题,废话不多说,我们一起来看一下简书首页数据的抓取。抓取的信息2.2)简书首页文章信息 http://www.jianshu.com/包括:标题,作者,发表时间,阅读量,评论数,点赞数,打赏数,所投专题字段位置单页数据的获取我们先简单看一下单页数据的抓取,所谓单页就是我们最少能获取到的数据,那么我们就先去看一下...

weixin_39581099的博客 648

HyperLPR3车牌识别-Android-SDK光速部署与使用

基于深度学习高性能中文车牌识别 High Performance Chinese License Plate Recognition Framework.快速部署AndroidSDK

tunm 6121

使用广播星历进行 GPS 卫星位置的计算

目录1.计算卫星运动的平均角速度 n2.计算观测瞬间卫星的近地点角3.计算偏近点角4.计算真近点角 f5.计算升交角距 6.计算摄动改正项7.进行摄动改正 8.计算卫星在轨道面坐标系中的位置9.计算观测瞬间升交点的经度 L10.计算卫星在瞬时地球坐标系中的位置11.计算卫星在协议地球坐标系中的位置使用广播星历进行GPS卫星位置的计算的详细步骤如下:关于在广播星历中各参数的分布情况可以参考下图:首先根据广播星历中给出的参数 计算参考时刻(TOE) 的平均角速度 式中,GM为万有引力常数 G 与地球总质量

qq_43381998的博客 5569

python 数据挖掘 简书_抓取百万级简书用户做数据挖掘

简书日活用户至少几十万,因此抓取简书的用户,一方面做数据分析和挖掘,另一方面,看看有哪些it同行,挖掘一些高质量的文章。本文先分析抓取数据,结合抓取策略和scrapy框架,一步一步教你带你做爬虫和挖掘分析。先说抓取思路。本文思路是选择一个大V,大v就是关注用户较多,粉丝也多的用户作为爬虫抓取入口,然后不断对其关注用户和粉丝用户抓取,再对关注用户和粉丝的关注用户和粉丝进行抓取,如此循环。抓取函数入口...

weixin_39625975的博客 140

APM32F103 配置CAN

摘要: 本文介绍了基于APM32F103RCT6的CAN通信实现,包含GPIO初始化、CAN配置、数据收发功能。通过配置CAN1的GPIO引脚(PB8/PB9)和波特率(500Kbps),实现标准帧格式的数据传输。发送函数支持8字节数据包,接收函数通过FIFO0处理消息,并根据接收ID触发响应发送(如ID 0x1回复0x2)。代码还包含错误状态检测(如总线关闭处理)和过滤器配置(32位掩码模式)。整体实现了基础的CAN通信与错误管理功能。

weixin_43676660的博客 863

抓取简书文章标题及链接

抓取简书文章标题链接 文章链接:https://www.jianshu.com/p/85f4624485b9 01 详细版本 # datetime:2020/10/6 13:53 # 抓取简书文章标题链接 import pandas as pd from requests_html import HTMLSession # 建立一个会话与服务器交谈 session = HTMLSession() # 输入网址,存储到url变量名中 url = 'https://www.jianshu.com/p/85f

ZikM的博客 926

基于 YOLOv26 的电路焊点虚焊检测系统:AI 质检实战

本文介绍了一种基于YOLOv26的电路焊点虚焊检测系统,利用深度学习技术实现自动化质检。系统能识别虚焊、桥接、少锡等8种常见焊点缺陷,具有高精度、实时性和强鲁棒性等特点。文章详细阐述了系统架构,包括数据采集、预处理、YOLOv26检测模型和后处理模块,并提供了代码实现的关键部分,如数据预处理增强和模型训练配置。该系统可显著提高电子制造业的质检效率和准确性。

一键难忘的博客 693

行业变革下的功能安全落地痛点3:高阶智驾安全责任转移 —— 从 “人为中心” 到 “机器主责” 的产业阵痛

文章围绕高阶智驾(L3 级)落地挑战,探讨安全责任从 “人控” 向 “机控” 转移的本质、技术短板导致的责任模糊、全球法规实践及技术 - 法规 - 保险的破局路径。

my9111526 126

tc抓取mysql_简书全站爬取 mysql异步保存

#优化动态数据 处理ajax加载进来的数据#selenium+chromdriver 处理#爬虫文件 把阅读量,点赞数,文章字数,标题分类,评论数 字段获取,保存到item中defparse_detail(self, response):#print(response.text)title = response.xpath("//div[@class='note']/div[@class...

weixin_36362920的博客 154

【2026华为OD新规机考】最新套题持续更新【完全原创题解 | 详细考点分类 | 不断更新题目 | 六种主流语言Py+Java+Cpp+C+Js+Go】

可上练习华子OD、大厂真题绿色聊天软件戳od1441了解算法冲刺训练(备注【优快云】否则不通过)

weixin_48157259的博客 508

python爬虫入门-简书七日热门文章数据

前言 以我的理解,写一个爬虫分为以下几个步骤 分析目标网站 访问单个网页地址,获取网页源代码 提取数据 保存数据 抓取剩余网页 以下开始正题 1. 分析目标网站 目标网站为简书七日热门文章 http://www.jianshu.com/trending/weekly 。 提取数据为用户,标题,阅读量,评论量,获赞量,打赏数 提取目标 用...

flyerooo的博客 333

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

使用python爬虫工具Scrapy统计简书文章阅读量

突然发现多年来一直断断续续在学习使用的python,拥有着广泛的使用场景,从开源硬件、服务器运维、自动化测试,到数学计算,人工智能,都有python的一席之地,在各个领域python有丰富的框架和工具。 听闻python的Scrapy爬虫已久,最近正好想对去年一年在简书写作的文章做一下统计。作为软件工程师,肯定不能去按计算器,正好找到一...

weixin_33777877的博客 362

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

实例学习——爬取简书网热评文章

近来学习多线程爬虫,发现书上关于爬取简书网热评文章的代码因网页更改问题运行有误,在此修正。 开发环境:(Windows)eclipse+pydev+MongoDB 爬取网址:https://www.jianshu.com/c/bDHhpK 1、手动浏览网页,发现没有分页的界面,可判断该网站采用了异步加载技术。 2、查看网页源代码,通过观察源代码Network处Headers的URL,发...

JUNECODE的博客 506

12_获取简书文章数据

文章目录简书URL地址分析获取简书文章数据 简书URL地址分析 可以指定爬虫抓取的规则,支持正则表达式,目前简书 https://www.jianshu.com/p/df7cad4eb8d8 https://www.jianshu.com/p/07b0456cbadb?***** https://www.jianshu.com/p/.* rules = ( Rule(Li...

lsqzedu的博客 261

Python3爬取简书首页文章的标题和文章链接

from urllib import request from bs4 import BeautifulSoup #Beautiful Soup是一个可以从HTML或XML文件中提取结构化数据的Python库 #构造头文件,模拟浏览器访问 url="http://www.jianshu.com" headers = {'User-Agent':'Mozilla/5

Sailfish 2808

mysql教程简书_简书全站爬取 mysql异步保存

#优化动态数据 处理ajax加载进来的数据#selenium+chromdriver 处理#爬虫文件 把阅读量,点赞数,文章字数,标题分类,评论数 字段获取,保存到item中defparse_detail(self, response):#print(response.text)title = response.xpath("//div[@class='note']/div[@class...

weixin_30780097的博客 160

爬虫实践-爬取简书网热评文章

jianshuwangarticle.py: import requestsfrom lxml import etreeimport pymongofrom multiprocessing import Pool# 连接数据库client = pymongo.MongoClient('localhost', 27017)mydb = client['mydb']jianshu_shou...

dianrao0601的博客 322
上一篇: URL编码转换
下一篇: python中cryptodome的DES
One of them
博客等级 码龄9年 96粉丝 62原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值