极其简易csdn爬虫制作

从基础开始制作简单的python爬虫

本学期python课要求我们自己制作一个爬虫文件,能够爬取网页上的内容.在一番思考,并且考虑到自己的学习情况之后,我决定制作爬取知乎网页回答的爬虫,但是在经过很多次失败之后,我发现知乎大概有反爬虫机制,并且是动态网页,需要用到json等知识,在失败很多次之后,我又退而求其次,决定制作爬取优快云网站的爬虫,并且在之后勉强完成.

环境配置:

我们选用方便好用的pycharm,也有人选择使用python自带的idle,这个我感觉不怎么好用,所以推荐pycharm.
Pycharm的安装教程:
https://blog.youkuaiyun.com/pdcfighting/article/details/80297499

使用库:

没有的库使用pip进行下载就可以了
requests库,来爬取网页信息
beautifulsoup库来将爬取信息解析
re和time将信息key(排序用)值精确查找

制作思路:

  1. 通过指定url连接爬取网页(优快云查找请求就是在q=后面加上查找字符串)
url="https://so.youkuaiyun.com/so/search/s.do?p="+str(page)+"&q="+question+"&t=blog&domain=&o=&s=&u=&l=&f=&rbg=0"
  1. 将爬取到的网页信息使用beautifulsoup解析后,写入到txt文件
def getmessage(soup):
	#soup的find_all下列函数的意思是寻找所有class为"search-list-con"的div的内容
    datas=soup.find_all("div",{"class":"search-list-con"})
    for data in datas:
        messages=data.find_all("dl",{"class":"search-list J_search"})
        #分条进行解析
        for message in messages:
            singleMessage = []
            if message.find("span",{"class":"author"})==None:
                continue
            singleMessage.append(message.find("div",{"class":"limit_width"}).text.replace('\n', '').replace('\xa0-\xa0优快云博客',''))
            singleMessage.append(message.find("span",{"class":"author"}).text.replace('作者:','').split())
            singleMessage.append(message.find("span",{"class":"date"}).text.split())
            singleMessage.append(message.find("span",{"class":"link"}).text.split())
            singleMessage.append(message.find("span",{"class":"down fr"}).text.split())
            for i in range(len(singleMessage)):
            #写入txt文件
                f.write(str(singleMessage[i]))
            f.write('\n')
  1. 重新读取txt文件将其内容通过特定Key函数进行排序

def SortRead(item):
    key=re.findall("\d+次阅读",item)[0].replace('次阅读','')
    return int(key)
def SortDate(item):
    key=re.findall("日期:\d+-\d+-\d+",item)[0].replace('日期:','')
    t = time.mktime(time.strptime(key, '%Y-%m-%d'))
    return t
    #重新读取的每一条item都是这样的
	#Qt安装与helloworld程序['u013752202']['日期:2015-05-13']['https://blog.youkuaiyun.com/u013752202/article/details/45695033']['673次阅读']
	#所以我使用re通过正则表达式将想要的"673次阅读"或"2015-05-13"找出来
	#再将其转化为能作为key值排序的值
	#673直接转化为int就可以了,日期通过使用time库的函数,也能成功转换
  1. 输出排名前20的问题
with open("csdndata(sort).txt", "w",encoding='utf-8') as f2:
            for item in sorted(list,key=SortDate,reverse=True):
                f2.writelines(item)
                if i<20:
                    print(item)
                i=i+1
            f2.close()
            print("以上排名前20回答:")

原理很简单只是在排序过后输出前20条好了
5. 将排序结束后的内容储存到另一个文件
其实在上条的代码中也已经写入了

完整代码:

import requests
from bs4 import BeautifulSoup
import re
import time
f = open('csdndata.txt','w',encoding='utf-8')
def gethtmltext(url):
    try:
        read=requests.get(url,timeout=30)
        read.raise_for_status()
        read.encoding="utf-8"
        return read.text
    except:
        print("error")
        return ""

def getmessage(soup):
    datas=soup.find_all("div",{"class":"search-list-con"})
    for data in datas:
        messages=data.find_all("dl",{"class":"search-list J_search"})
        for message in messages:
            singleMessage = []

            if message.find("span",{"class":"author"})==None:
                continue
            singleMessage.append(message.find("div",{"class":"limit_width"}).text.replace('\n', '').replace('\xa0-\xa0优快云博客',''))
            singleMessage.append(message.find("span",{"class":"author"}).text.replace('作者:','').split())
            singleMessage.append(message.find("span",{"class":"date"}).text.split())
            singleMessage.append(message.find("span",{"class":"link"}).text.split())
            singleMessage.append(message.find("span",{"class":"down fr"}).text.split())
            for i in range(len(singleMessage)):
                f.write(str(singleMessage[i]))
            f.write('\n')
def SortRead(item):
    key=re.findall("\d+次阅读",item)[0].replace('次阅读','')
    # print(int(key))
    return int(key)
def SortDate(item):
    key=re.findall("日期:\d+-\d+-\d+",item)[0].replace('日期:','')
    t = time.mktime(time.strptime(key, '%Y-%m-%d'))
    return t
def main():
    question=input("请输入要搜索的问题: ")
    sortway=input("按日期排序按1,按阅读量排序按2:")
    print("请等待...")
    for page in range(1,21):
        url="https://so.youkuaiyun.com/so/search/s.do?p="\
            +str(page)+"&q="\
            +question+\
            "&t=blog&domain=&o=&s=&u=&l=&f=&rbg=0"
        html=gethtmltext(url)
        soup = BeautifulSoup(html, "html.parser")
        getmessage(soup)
    f.close()

    if sortway=='1':
        list = []
        i=0
        with open('csdndata.txt', 'r',encoding='utf-8') as f2:
            for line in f2:
                list.append(line)
        with open("csdndata(sort).txt", "w",encoding='utf-8') as f2:
            for item in sorted(list,key=SortDate,reverse=True):
                f2.writelines(item)
                if i<20:
                    print(item)
                i=i+1
            f2.close()
            print("以上排名前20回答:")
    if sortway=='2':
        list = []
        i=0
        with open('csdndata.txt', 'r',encoding='utf-8') as f2:
            for line in f2:
                list.append(line)
        with open("csdndata(sort).txt", "w",encoding='utf-8') as f2:
            for item in sorted(list,key=SortRead,reverse=True):
                f2.writelines(item)
                if i<20:
                    print(item)
                i=i+1
            f2.close()
            print("以上排名前20回答:")

main()

效果图
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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