- 之前有爬取过某网站内容，抓取该网站发表的文章内容并保存到数据库，最近又想学一些爬虫方面的知识，所以把之前写的内容翻出来写一写笔记。
- 首先使用谷歌浏览器分析网页源码，因为该网站是并没有涉及什么js、css渲染等动态网页，所以爬取的过程相对简单。
- 爬取了该网站的标题、作者、发表时间、评论数、第一张大图的url和内容，然后格式化数据并保存到sqlite3
其过程的实现很简单，就是简单的URL抓包提取网页，然后使用了正则表达式来提取数据，然后进行一些错误的判断和改进，并没有使用到太高级的爬虫技巧，还在继续学习之中。
源码如下：
# -*-coding:utf-8-*-
import urllib.request
import re
import sqlite3
import time
import random
import threading
import urllib.error
import sys
import socket
import io
from datetime import datetime
class Article(object):
def __init__(self):
self.url="http://wallstreetcn.com/"
self.removeP=re.compile('</p>')#用来提取正文内容
self.removeRight=re.compile('class=".*?"|align=".*?"|>')
self.removeStrong=re.compile("<strong>|</strong>")
self.removeAddr=re.compile('<a.*?>|</a>')
self.replaceBR=re.compile('<br><br>|<br>|</br>')
self.removeImg=re.compile('<img.*?>| {1,7}|&.*?;')
self.removeExtraTag=re.compile('<.*?>|style=".*?"|value=".*?"')
self.removeNoneLine=re.compile('\\n+')
def get_content(self,article):
#使用正则表达式匹配出标题、作者、日期、内容、第一张大图的url、评论数
title = re.findall(r'<h1 class="article-title">(.*?)</h1>',article,re.S)
author=re.search(r'<span class="item author">(.*?)target="_blank">(.*?)</a>(.*?)</span>',article,re.S)
post_at=re.findall(r'<span class="item time">(.*?)</span>',article,re.S)
time=post_at[0]
year=time[:4]
month=time[5:7]
day=time[8:10]
hour=time[12:]#对有中文时间格式处理，返回值为datetime格式
p_content=re.findall(r'<p(.*?)</p>',article,re.S)#正文内容有多种类型，分别匹配
span_content=re.findall(r'<span>(.*?)</span>',article,re.S)
if p_content==None:
content=span_content
else:
content=p_content
str_data=''.join(content[:-4])
removed_p=re.sub(self.removeP,'\\n',str_data)
removed_strong=re.sub(self.removeStrong,'',removed_p)
removed_addr=re.sub(self.removeAddr,'',removed_strong)
removed_br=re.sub(self.replaceBR,'\\n',removed_addr)
removed_img=re.sub(self.removeImg,'',removed_br)
removed_tag=re.sub(self.removeExtraTag,'',removed_img)
removed_right=re.sub(self.removeRight,'',removed_tag)
content=re.sub(self.removeNoneLine,'\\n',removed_right)
img_1=re.search(r'<img alt="(.*?)" src="(.*?!article\\.foil)" (.*?)',article,re.M|re.I)#处理文章第一张大图片的url
img_2=re.search(r'<img src="(.*?!article\\.foil)" alt="(.*?)" (.*?)',article,re.M|re.I)
if img_1!=None :
img=img_1.group(2)
elif img_2!=None:
img=img_2.group(1)
else:
img=None
comment_count=re.findall(r'<span class="wscn-cm-counter">(.*?)</span>',article,re.S)
try:
if img==None and comment_count==None:#有可能文章没有图片和评论，考虑以下几种情况
return str(title[0]),str(author.group(2)),datetime.strptime(year+'-'+month+'-'+day+' '+hour,'%Y-%m-%d %H:%M:%S'),''.join(content),None,0
elif img!=None and comment_count==None:
return str(title[0]),str(author.group(2)),datetime.strptime(year+'-'+month+'-'+day+' '+hour,'%Y-%m-%d %H:%M:%S'),''.join(content),str(img),0
elif img==None and comment_count!=None:
return str(title[0]),str(author.group(2)),datetime.strptime(year+'-'+month+'-'+day+' '+hour,'%Y-%m-%d %H:%M:%S'),''.join(content),None,int(comment_count[0])
else:
return str(title[0]),str(author.group(2)),datetime.strptime(year+'-'+month+'-'+day+' '+hour,'%Y-%m-%d %H:%M:%S'),''.join(content),str(img),int(comment_count[0])
except Exception as e:
pass
def create_table(self):
conn=sqlite3.connect('article.db')
#如果不存在一个art表，新建一个art表
conn.execute("CREATE TABLE IF NOT EXISTS art(title varchar(80) PRIMARY KEY not null, author varchar(10),post_at TEXT not null,content varchar(255) not null,img varchar(20) ,comment_count integer);")
conn.close()
def save_content(self,title,author,post_at,content,img,comment_count):
#连接并保存到数据库
conn=sqlite3.connect('article.db')
conn.execute("INSERT INTO art (title,author,post_at,content,img,comment_count)values(?,?,?,?,?,?)",(title,author,post_at,content,img,comment_count))
result=conn.execute("SELECT * FROM art")
return list(result)
conn.close()
def spider(self):
cou=1
for i in random.sample(range(19,247271),10000):#随机生成url，数字可以任意
try:
try:
full_url=self.url+'node'+'/'+str(i)#URL格式
page = urllib.request.urlopen(full_url,timeout=5)#设置请求时间限制
pages= page.read().decode('utf-8','ignore')
lst=self.get_content(pages)
#self.save_content(lst[0],lst[1],lst[2],lst[3],lst[4],lst[5])#不打印出结果
print(self.save_content(lst[0],lst[1],lst[2],lst[3],lst[4],lst[5]))#打印出结果
print('Downloaded Successfully...\\n')
cou+=1
time.sleep(1)
if cou>300:#控制爬取300篇文章,可以自行调节文章数量，量力而为
sys.exit()
else:
continue
except Exception as e:
pass
except socket.error as e:
pass
def main(self):
#多线程爬取
my_thread = threading.Thread(target = self.spider)
my_thread.start()
my_thread.join()
if __name__ == '__main__':
a=Article()#实例化
a.create_table()
a.main()
- 到此，一个小小的spider就完成了，就可以实现文章的抓取和保存到数据库了，在dos下的显示如下所示。
- 最后，由于是第一次写爬虫，不足之处肯定还有很多，欢迎来挑刺，洗耳恭听，一直在学习与进步当中，继续，共勉。
