如何用Python爬虫获取那些价值博文-Python教程-PHP中文网

本篇文章的内容是如何用Python爬虫获取那些价值博文，现在分享给大家，有需要的朋友可以参考一下这篇文章地的内容

640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

作者 CDA数据分析师

在CSDN上有很多精彩的技术博客文章，我们可以把它爬取下来，保存在本地磁盘，可以很方便以后阅读和学习，现在我们就用python编写一段爬虫代码，来实现这个目的。

我们想要做的事情：自动读取博客文章，记录标题，把心仪的文章保存到个人电脑硬盘里供以后学习参考。

过程大体分为以下几步：

1. 找到爬取的目标网址；
2. 分析网页，找到自已想要保存的信息，这里我们主要保存是博客的文章内容；
3. 清洗整理爬取下来的信息，保存在本地磁盘。

打开csdn的网页，作为一个示例，我们随机打开一个网页：

http://blog.csdn.net/u013088062/article/list/1。

可以看到，博主对《C++卷积神经网络》和其它有关机计算机方面的文章都写得不错。

640?wx_fmt=png

爬虫代码按思路分为三个类（class），下面3个带“#”的分别给出了每一个类的开头（具体代码附后，供大家实际运行实现）：

640?wx_fmt=png

采用“类（class）”的方式属于Python的面向对象编程，在某些时候比我们通常使用的面向过程的编程方便，在大型工程中经常使用面向对象编程。对于初学者来说，面向对象编程不易掌握，但是经过学习习惯之后，会逐步慢慢从面向过程到面向对象编程过渡。

特别注意的是，RePage类主要用正则表达式处理从网页中获取的信息，正则表达式设置字符串样式如下：

640?wx_fmt=png

用正则表达式去匹配所要爬取的内容，用Python和其它软件工具都可以实现。正则表达式有许多规则，各个软件使用起来大同小异。用好正则表达式是爬虫和文本挖掘的一个重要内容。

SaveText类则是把信息保存在本地，效果如下：

640?wx_fmt=png

用python编写爬虫代码，简洁高效。这篇文章仅从爬虫最基本的用法做了讲解，有兴趣的朋友可以下载代码看看，希望大家从中有收获。

附相关Python代码：

1#-*-coding:UTF-8-*- 2import re 3import urllib2 4import sys 5#目的：读取博客文章，记录标题，用Htnl格式保存存文章内容 6#版本：python2.7.13 7#功能：读取网页内容 8class GetHtmlPage(): 9 #注意大小写 10 def __init__(self,strPage): 11 self.strPapge = strPage 12 #获取网页 13 def GetPage(self): 14 req = urllib2.Request(self.strPapge) # 建立页面请求 15 rep = req.add_header("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36 SE 2.X MetaSr 1.0") 16 try: 17 cn = urllib2.urlopen(req) #网页请求 18 page = cn.read() #读网页 19 uPage = page.decode("utf-8") #网页编码 20 cn.close() 21 return uPage 22 except urllib2.URLError, e: #捕获异常 23 print 'URLError:', e.code 24 return 25 except urllib2.HTTPError, e: #捕获异常 26 print 'HTTP Error:' + e.reason 27 return 28 return rePage 29#正则表达式，获取想要的内容 30class RePage(): 31#正则表达式提取内容，返回链表 32 def GetReText(self,page,recode): 33 rePage = re.findall(recode,page,re.S) 34 return rePage 35#保存文本 36class SaveText(): 37 def Save(self,text,tilte): 38 try: 39 t="blog\\"+tilte+".html" 40 f = file(t,"a") 41 f.write(text) 42 f.close() 43 except IOError,e: 44 print e.message 45if __name__ == "__main__": 46 s = SaveText() 47 #文件编码 48 #字符正确解码 49 reload(sys) 50 sys.setdefaultencoding( "utf-8" ) #获得系统的默认编码 51 #获取网页 52 page = GetHtmlPage("http://blog.csdn.net/u013088062/article/list/1") 53 htmlPage = page.GetPage() 54 #提取内容 55 reServer = RePage() 56 reBlog = reServer.GetReText(htmlPage,r'.*?(\s.+?)') #获取网址链接和标题 57 #再向下获取正文 58 for ref in reBlog: 59 pageHeard = "http://blog.csdn.net/" #加链接头 60 strPage = pageHeard+ref[0] 61 tilte=ref[1].replace('[置顶]', "") #用替换的功能去除杂的英文 62 tilte=tilte.replace("\r\n","").lstrip().rstrip() 63 #获取正文 64 htmlPage = GetHtmlPage(strPage) 65 htmlPageData = htmlPage.GetPage() 66 reBlogText = reServer.GetReText(htmlPageData,'

(.+?)

') 67 #保存文件 68 for s1 in reBlogText: 69 s1='\n'+s1 70 s.Save(s1,tilte)