全栈工程师开发手册 （作者：栾鹏）
python教程全解

python爬虫案例——csdn数据采集

通过python实现csdn页面的内容采集是相对来说比较容易的，因为csdn不需要登陆，不需要cookie，也不需要设置header

本案例使用python实现csdn文章数据采集，获取我的博客下每篇文章的链接、标题、阅读数目。

需要安装BeautifulSoup包（点击下载）

python包的安装方法请参考Python库的安装与卸载

python3.6下

#coding:utf-8 #本实例用于获取指定用户csdn的文章名称、连接、阅读数目 import urllib import re from bs4 import BeautifulSoup #csdn不需要登陆，也不需要cookie,也不需要设置header print('=======================csdn数据挖掘==========================') urlstr="http://blog.csdn.net/luanpeng825485697?viewmode=contents" host = "http://blog.csdn.net/luanpeng825485697" #根目录

alllink=[urlstr] #所有需要遍历的网址 data={} def getdata(html,reg): #从字符串中安装正则表达式获取值 pattern = re.compile(reg) items = re.findall(pattern, html) for item in items: urlpath = urllib.parse.urljoin(urlstr,item[0]) #将相对地址，转化为绝对地址 if not hasattr(object, urlpath): data[urlpath] = item print(urlpath,' ', end=' ') #python3中end表示结尾符，这里不换行 print(item[2], ' ', end=' ') print(item[1])

#根据一个网址获取相关连接并添加到集合中 def getlink(url,html): soup = BeautifulSoup(html,'html5lib') #使用html5lib解析，所以需要提前安装好html5lib包 for tag in soup.find_all('a'): #从文档中找到所有<a>标签的内容 link = tag.get('href') newurl = urllib.parse.urljoin(url, link) #在指定网址中的连接的绝对连接 if host not in newurl: # 如果是站外连接，则放弃 continue if newurl in alllink: #不添加已经存在的网址 continue if not "http://blog.csdn.net/luanpeng825485697/article/list" in newurl: #自定义添加一些链接限制 continue # if not "http://blog.csdn.net/luanpeng825485697/article/category/7060771" in newurl: #必须是python类目下的列表 # continue # if not "http://blog.csdn.net/luanpeng825485697/article/category/7060770" in newurl: # 必须是安卓类目下的列表 # continue alllink.append(newurl) #将地址添加到链接集合中

#根据一个网址，获取该网址中符合指定正则表达式的内容 def craw(url): try: request = urllib.request.Request(url) #创建一个请求 response = urllib.request.urlopen(request) #获取响应 html = str(response.read(),'utf-8') #读取返回html源码，,python2里面读取的是字节数组

# reg = r'"link_title"><a href="(.*?)">\r\n(.*?)\n.*?</a>' #只匹配文章地址和名称 reg = r'"link_title"><a href="(.*?)">\r\n (.*?) \r\n.*?</a>[\s\S]*?阅读</a>\((.*?)\)</span>' # 匹配地址、名称、阅读数目 getdata(html,reg) getlink(url,html)

except urllib.error.URLError as e: if hasattr(e,"code"): print(e.code) if hasattr(e,"reason"): print(e.reason)

for url in alllink: craw(url)

python2.7下

#coding:utf-8 #本实例用于获取指定用户csdn的文章名称、连接、阅读数目 import urllib2 import re from bs4 import BeautifulSoup #csdn不需要登陆，也不需要cookie,也不需要设置header print('=======================csdn数据挖掘==========================') urlstr="http://blog.csdn.net/luanpeng825485697?viewmode=contents" host = "http://blog.csdn.net/luanpeng825485697" #根目录

alllink=[urlstr] #所有需要遍历的网址 data={} def getdata(html,reg): #从字符串中安装正则表达式获取值 pattern = re.compile(reg) items = re.findall(pattern, html) for item in items: urlpath = urllib2.urlparse.urljoin(urlstr,item[0]) #将相对地址，转化为绝对地址 if not hasattr(object, urlpath): data[urlpath] = item print urlpath,' ', #print最后有个逗号，表示输出不换行 print item[2], ' ', print item[1]

#根据一个网址获取相关连接并添加到集合中 def getlink(url,html): soup = BeautifulSoup(html,'html.parser') #使用html5lib解析，所以需要提前安装好html5lib包 for tag in soup.find_all('a'): #从文档中找到所有<a>标签的内容 link = tag.get('href') newurl = urllib2.urlparse.urljoin(url, link) #在指定网址中的连接的绝对连接 if host not in newurl: # 如果是站外连接，则放弃 continue if newurl in alllink: #不添加已经存在的网址 continue if not "http://blog.csdn.net/luanpeng825485697/article/list" in newurl: #自定义添加一些链接限制 continue alllink.append(newurl) #将地址添加到链接集合中

#根据一个网址，获取该网址中符合指定正则表达式的内容 def craw(url): try: request = urllib2.Request(url) #创建一个请求 response = urllib2.urlopen(request) #获取响应 html = response.read() #读取返回html源码 # reg = r'"link_title"><a href="(.*?)">\r\n(.*?)\n.*?</a>' #只匹配文章地址和名称 reg = r'"link_title"><a href="(.*?)">\r\n (.*?) \r\n.*?</a>[\s\S]*?阅读</a>\((.*?)\)</span>' # 匹配地址、名称、阅读数目 getdata(html,reg) getlink(url,html)

except urllib2.URLError, e: if hasattr(e,"code"): print e.code if hasattr(e,"reason"): print e.reason

for url in alllink: craw(url)