【原】使用 Python 爬取簡書網(wǎng)的所有文章

AirPython 2021-10-28

展開全文

第一時間獲取 Python 技術(shù)干貨！

閱讀文本大概需要 6 分鐘。

抓取目標(biāo)

我們要爬取的目標(biāo)是「簡書網(wǎng) 」。

打開簡書網(wǎng)的首頁，隨手點(diǎn)擊一篇文章進(jìn)入到詳情頁面。

我們要爬取的數(shù)據(jù)有：作者、頭像、發(fā)布時間、文章 ID 以及文章內(nèi)容。

準(zhǔn)備工作

在編寫爬蟲程序之前，我都是先對頁面進(jìn)行簡單分析，然后指定爬取思路。

由于我們爬取簡書網(wǎng)所有的文章數(shù)據(jù)，所以考慮使用「 CrawlSpider 」來對整個網(wǎng)站進(jìn)行爬取。

首先使用 Scrapy 創(chuàng)建一個項目和一個爬蟲

# 打開 CMD 或者終端到一個指定目錄
# 新建一個項目
scrapy startproject jianshu_spider

cd jianshu_spider

# 創(chuàng)建一個爬蟲
scrapy genspider -t crawl jianshu "jianshu.com"

爬取的數(shù)據(jù)準(zhǔn)備存儲到 Mysql 數(shù)據(jù)庫中，因此需要提前建立好數(shù)據(jù)庫和表。

爬取思路

首先，我們我們檢查首頁頁面文章列表每一項的 href 屬性、文章詳情頁面的地址、詳情頁面推薦文章中的 href 屬性。

可以獲取出規(guī)律，每一篇文章的地址，即 URL 是由「.../p/文章id/... 」構(gòu)成，其中文章 ID 是由小寫字母 a-z 或者 0-9 的 12 位數(shù)字構(gòu)成，因此 Rule 構(gòu)成如下：

/p/[0-9a-z]{12}

代碼實(shí)現(xiàn)

第一步是指定開始爬取的地址和爬取規(guī)則。

allowed_domains = ['jianshu.com']
    start_urls = ['https://www.jianshu.com/']
    rules = (
        # 文章id是有12位小寫字母或者數(shù)字0-9構(gòu)成
        Rule(LinkExtractor(allow=r'.*/p/[0-9a-z]{12}.*'), callback='parse_detail', follow=True),
    )

第二步是拿到下載器下載后的數(shù)據(jù) Response，利用 Xpath 語法獲取有用的數(shù)據(jù)。這里可以使用「 Scrapy shell url 」去測試數(shù)據(jù)是否獲取正確。

 # 獲取需要的數(shù)據(jù)
 title = response.xpath('//h1[@class="title"]/text()').get()
 author = response.xpath('//div[@class="info"]/span/a/text()').get()
 avatar = self.HTTPS + response.xpath('//div[@class="author"]/a/img/@src').get()
 pub_time = response.xpath('//span[@class="publish-time"]/text()').get().replace("*", "")
 current_url = response.url
 real_url = current_url.split(r"?")[0]
 article_id = real_url.split(r'/')[-1]
 content = response.xpath('//div[@class="show-content"]').get()

然后構(gòu)建 Item 模型用來保存數(shù)據(jù)。

import scrapy

# 文章詳情Item
class ArticleItem(scrapy.Item):
    title = scrapy.Field()
    content = scrapy.Field()
    # 文章id
    article_id = scrapy.Field()
    # 原始的url
    origin_url = scrapy.Field()

    # 作者
    author = scrapy.Field()

    # 頭像
    avatar = scrapy.Field()

    # 發(fā)布時間
    pubtime = scrapy.Field()

第三步是將獲取的數(shù)據(jù)通過 Pipline 保存到數(shù)據(jù)庫中。

# 數(shù)據(jù)庫連接屬性
db_params = {
            'host': '127.0.0.1',
            'port': 3306,
            'user': 'root',
            'password': 'root',
            'database': 'jianshu',
            'charset': 'utf8'
}

# 數(shù)據(jù)庫【連接對象】
self.conn = pymysql.connect(**db_params)
# 構(gòu)建游標(biāo)對象
self.cursor = self.conn.cursor()

# sql 插入語句
self._sql = """
          insert into article(id,title,content,author,avatar,pubtime,article_id,origin_url) 
        values(null,%s,%s,%s,%s,%s,%s,%s)
"""

# 執(zhí)行 sql 語句
self.cursor.execute(self._sql, (
            item['title'], item['content'], item['author'], item['avatar'], item['pubtime'], item['article_id'],
            item['origin_url']))

# 插入到數(shù)據(jù)庫中
self.conn.commit()

# 關(guān)閉游標(biāo)資源
self.cursor.close()