Python如何爬取51cto数据并存入MySQL

最新推荐文章于 2022-04-16 07:49:53 发布

原创最新推荐文章于 2022-04-16 07:49:53 发布 · 290 阅读

1 ·

CC 4.0 BY-SA版权

python 专栏收录该内容

115 篇文章

订阅专栏

该博客介绍了如何使用Python进行网页数据爬取并存储到MySQL数据库中。首先，安装Python环境和相关库，然后编写代码抓取51CTO博客页面的数据，包括博客标题、阅读量、评论数、收藏数和发布时间，并将这些信息存储到数据库的相应字段。在升级版中，对代码进行了优化，确保数字字段只保留数字并转换为整型，同时将项目打包成exe文件，便于他人使用。整个过程详细展示了从数据抓取到入库的完整流程，适合初学者学习。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

实验环境

1.安装Python 3.7

2.安装requests, bs4，pymysql 模块

实验步骤1.安装环境及模块

可参考 https://www.jb51.net/article/194104.htm

2.编写代码


    # 51cto 博客页面数据插入mysql数据库
    # 导入模块
    import re
    import bs4
    import pymysql
    import requests
    
    # 连接数据库账号密码
    db = pymysql.connect(host='172.171.13.229',
               user='root', passwd='abc123',
               db='test', port=3306,
               charset='utf8')
    # 获取游标
    cursor = db.cursor()
    
    def open_url(url):
      # 连接模拟网页访问
      headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
               'Chrome/57.0.2987.98 Safari/537.36'}
      res = requests.get(url, headers=headers)
      return res
    
    # 爬取网页内容
    def find_text(res):
      soup = bs4.BeautifulSoup(res.text, 'html.parser')
    
      # 博客名
      titles = []
      targets = soup.find_all("a", class_="tit")
      for each in targets:
        each = each.text.strip()
        if "置顶" in each:
          each = each.split(' ')[0]
        titles.append(each)
    
      # 阅读量
      reads = []
      read1 = soup.find_all("p", class_="read fl on")
      read2 = soup.find_all("p", class_="read fl")
      for each in read1:
        reads.append(each.text)
      for each in read2:
        reads.append(each.text)
    
      # 评论数
      comment = []
      targets = soup.find_all("p", class_='comment fl')
      for each in targets:
        comment.append(each.text)
    
      # 收藏
      collects = []
      targets = soup.find_all("p", class_='collect fl')
      for each in targets:
        collects.append(each.text)
    
       # 发布时间
      dates=[]
      targets = soup.find_all("a", class_='time fl')
      for each in targets:
        each = each.text.split('：')[1]
        dates.append(each)
    
      # 插入sql 语句
      sql = """insert into blog (blog_title,read_number,comment_number, collect, dates)
      values( '%s', '%s', '%s', '%s', '%s');"""
      # 替换页面 \xa0
      for titles, reads, comment, collects, dates in zip(titles, reads, comment, collects, dates):
        reads = re.sub('\s', '', reads)
        comment = re.sub('\s', '', comment)
        collects = re.sub('\s', '', collects)
        cursor.execute(sql % (titles, reads, comment, collects，dates))
        db.commit()
        pass
    
    # 统计总页数
    def find_depth(res):
      soup = bs4.BeautifulSoup(res.text, 'html.parser')
      depth = soup.find('li', class_='next').previous_sibling.previous_sibling.text
      return int(depth)
    
    # 主函数
    def main():
      host = "https://blog.51cto.com/13760351"
      res = open_url(host) # 打开首页链接
      depth = find_depth(res) # 获取总页数
    
      # 爬取其他页面信息
      for i in range(1, depth + 1):
        url = host + '/p' + str(i) # 完整链接
        res = open_url(url) # 打开其他链接
        find_text(res) # 爬取数据
    
      # 关闭游标
      cursor.close()
      # 关闭数据库连接
      db.close()
    
    if __name__ == '__main__':
      main()

3..MySQL创建对应的表


    CREATE TABLE `blog` (
     `row_id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键',
     `blog_title` varchar(52) DEFAULT NULL COMMENT '博客标题',
     `read_number` varchar(26) DEFAULT NULL COMMENT '阅读数量',
     `comment_number` varchar(16) DEFAULT NULL COMMENT '评论数量',
     `collect` varchar(16) DEFAULT NULL COMMENT '收藏数量',
     `dates` varchar(16) DEFAULT NULL COMMENT '发布日期',
     PRIMARY KEY (`row_id`)
    ) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;

4.运行代码，查看效果:

改进版：

改进内容：

1.数据库里面的某些字段只保留数字即可

2.默认爬取的内容都是字符串，存放数据库的某些字段，最好改为整型，方便后面数据库操作

1.代码如下：


    import re
    import bs4
    import pymysql
    import requests
    
    # 连接数据库
    db = pymysql.connect(host='172.171.13.229',
               user='root', passwd='abc123',
               db='test', port=3306,
               charset='utf8')
    # 获取游标
    cursor = db.cursor()
    
    def open_url(url):
      # 连接模拟网页访问
      headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
               'Chrome/57.0.2987.98 Safari/537.36'}
      res = requests.get(url, headers=headers)
      return res
    
    # 爬取网页内容
    def find_text(res):
      soup = bs4.BeautifulSoup(res.text, 'html.parser')
    
      # 博客标题
      titles = []
      targets = soup.find_all("a", class_="tit")
      for each in targets:
        each = each.text.strip()
        if "置顶" in each:
          each = each.split(' ')[0]
        titles.append(each)
    
      # 阅读量
      reads = []
      read1 = soup.find_all("p", class_="read fl on")
      read2 = soup.find_all("p", class_="read fl")
      for each in read1:
        reads.append(each.text)
      for each in read2:
        reads.append(each.text)
    
      # 评论数
      comment = []
      targets = soup.find_all("p", class_='comment fl')
      for each in targets:
        comment.append(each.text)
    
      # 收藏
      collects = []
      targets = soup.find_all("p", class_='collect fl')
      for each in targets:
        collects.append(each.text)
    
      # 发布时间
      dates=[]
      targets = soup.find_all("a", class_='time fl')
      for each in targets:
        each = each.text.split('：')[1]
        dates.append(each)
    
      # 插入sql 语句
      sql = """insert into blogs (blog_title,read_number,comment_number, collect, dates)
      values( '%s', '%s', '%s', '%s', '%s');"""
      # 替换页面 \xa0
      for titles, reads, comment, collects, dates in zip(titles, reads, comment, collects, dates):
        reads = re.sub('\s', '', reads)
        reads=int(re.sub('\D', "", reads)) #匹配数字，转换为整型
        comment = re.sub('\s', '', comment)
        comment = int(re.sub('\D', "", comment)) #匹配数字，转换为整型
        collects = re.sub('\s', '', collects)
        collects = int(re.sub('\D', "", collects)) #匹配数字，转换为整型
        dates = re.sub('\s', '', dates)
        cursor.execute(sql % (titles, reads, comment, collects,dates))
        db.commit()
        pass
    
    # 统计总页数
    def find_depth(res):
      soup = bs4.BeautifulSoup(res.text, 'html.parser')
      depth = soup.find('li', class_='next').previous_sibling.previous_sibling.text
      return int(depth)
    
    # 主函数
    def main():
      host = "https://blog.51cto.com/13760351"
      res = open_url(host) # 打开首页链接
      depth = find_depth(res) # 获取总页数
    
      # 爬取其他页面信息
      for i in range(1, depth + 1):
        url = host + '/p' + str(i) # 完整链接
        res = open_url(url) # 打开其他链接
        find_text(res) # 爬取数据
    
      # 关闭游标
      cursor.close()
      # 关闭数据库连接
      db.close()
    
    #主程序入口
    if __name__ == '__main__':
      main()

2.创建对应表


    CREATE TABLE `blogs` (
     `row_id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键',
     `blog_title` varchar(52) DEFAULT NULL COMMENT '博客标题',
     `read_number` int(26) DEFAULT NULL COMMENT '阅读数量',
     `comment_number` int(16) DEFAULT NULL COMMENT '评论数量',
     `collect` int(16) DEFAULT NULL COMMENT '收藏数量',
     `dates` varchar(16) DEFAULT NULL COMMENT '发布日期',
     PRIMARY KEY (`row_id`)
    ) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;

3.运行代码，验证

升级版

为了能让小白就可以使用这个程序，可以把这个项目打包成exe格式的文件，让其他人，使用电脑就可以运行代码，这样非常方便！

1.改进代码：


    #末尾修改为：
    if __name__ == '__main__':
      main()
      print("\n\t\t所有数据已成功存放数据库！!! \n")
      time.sleep(5)

2.安装打包模块pyinstaller(cmd安装）

pip install pyinstaller -i https://pypi.tuna.tsinghua.edu.cn/simple/

3.Python代码打包

1.切换到需要打包代码的路径下面

2.在cmd窗口运行 pyinstaller -F test03.py （test03为项目名称）

4.查看exe包

在打包后会出现dist目录，打好包就在这个目录里面

5.运行exe包，查看效果

检查数据库

总结：

1.这一篇博客，是在上一篇的基础上改进的，步骤是先爬取首页的信息，再爬取其他页面信息，最后在改进细节，打包exe文件

2.我们爬取网页数据大多数还是存放到数据库的，所以这种方法很实用。

3.其实在此博客的基础上还是可以改进的，重要的是掌握方法即可。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。