Python3 爬虫（八） -- BeautifulSoup之再次爬取CSDN博文

序

我的Python3爬虫（五）博文使用utllib基本函数以及正则表达式技术实现了爬取csdn全部博文信息的任务。
链接：Python3 爬虫（五） -- 单线程爬取我的CSDN全部博文
上一篇，我们学习了BeautifulSoup这样一个优秀的Python库，必须有效利用起来。那么我们就利用BeautifulSoup4重新实现一次爬取csdn博文的任务。

由于我修改了博客配置，首页主题换了一下，我们基于新的主题查看网页，如下图所示：





同样的，确认要提取的信息，以及博文总页数。

分析网页源码

url以及请求报头的设置与之前相同，在这儿就不啰嗦了，主要详述怎样利用BeautifulSoup4获取我们的目标信息，先来看一下当前网页源码：
博文信息模块：



页码信息模块：

提取博文页数

#求总页数
def getPages(self):
req = urllib.request.Request(url=self.url, headers=self.headers)
page = urllib.request.urlopen(req)

# 从我的csdn博客主页抓取的内容是压缩后的内容，先解压缩
data = page.read()
data = ungzip(data)
data = data.decode('utf-8')

# 得到BeautifulSoup对象
soup = BeautifulSoup(data,'html5lib')
# 计算我的博文总页数
tag = soup.find('div',"pagelist")
pagesData = tag.span.get_text()
#输出392条  共20页，找到其中的数字
pagesNum = re.findall(re.compile(pattern=r'共(.*?)页'),pagesData)[0]

从上述代码可以看出，当我们读取网页数据之后，定义BeautifulSoup对象，调用find函数可读出“392条 共20页”，而我们要的是20这个数字，然后在利用正则表达式提取出来即可。

提取博文信息

#读取博文信息
def readData(self):
ret=[]
req = urllib.request.Request(url=self.url, headers=self.headers)
res = urllib.request.urlopen(req)

# 从我的csdn博客主页抓取的内容是压缩后的内容，先解压缩
data = res.read()
data = ungzip(data)
data = data.decode('utf-8')

soup=BeautifulSoup(data,"html5lib")
#找到所有的博文代码模块
items = soup.find_all('div',"list_item article_item")
for item in items:
#标题、链接、日期、阅读次数、评论个数
title = item.find('span',"link_title").a.get_text()
link = item.find('span',"link_title").a.get('href')
writeTime = item.find('span',"link_postdate").get_text()
readers = re.findall(re.compile(r'\((.*?)\)'),item.find('span',"link_view").get_text())[0]
comments = re.findall(re.compile(r'\((.*?)\)'),item.find('span',"link_comments").get_text())[0]

ret.append('日期：'+writeTime+'\n标题：'+title
+'\n链接：http://blog.csdn.net'+link
+'\n'+'阅读：'+readers+'\t评论：'+comments+'\n')
return ret

从代码可以看出，我们提取每个元素的信息可以很简便的采用BeautifulSoup的函数，不需要构造复杂的正则表达式，大大简化了操作。

完整代码

其它操作与之前相同，就不赘述了，下面给出完整代码：

'''
program: csdn博客爬虫2
function: 采用BeautifulSoup技术实现对我的csdn主页所有博文的日期、主题、访问量、评论个数信息爬取

version: python 3.5.1
time: 2016/06/01
autuor: yr
'''

import urllib.request,re,time,random,gzip
from bs4 import BeautifulSoup

#定义保存文件函数
def saveFile(data,i):
path = "E:\\projects\\Spider\\06_csdn2\\papers\\paper_"+str(i+1)+".txt"
file = open(path,'wb')
page = '当前页：'+str(i+1)+'\n'
file.write(page.encode('gbk'))
#将博文信息写入文件(以utf-8保存的文件声明为gbk)
for d in data:
d = str(d)+'\n'
file.write(d.encode('gbk'))
file.close()

#解压缩数据
def ungzip(data):
try:
#print("正在解压缩...")
data = gzip.decompress(data)
#print("解压完毕...")
except:
print("未经压缩，无需解压...")
return data

#CSDN爬虫类
class CSDNSpider:
def __init__(self,pageIdx=1,url="http://blog.csdn.net/fly_yr/article/list/1"):
#默认当前页
self.pageIdx = pageIdx
self.url = url[0:url.rfind('/') + 1] + str(pageIdx)
self.headers = {
"Connection": "keep-alive",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 "
"(KHTML, like Gecko) Chrome/51.0.2704.63 Safari/537.36",
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
"Accept-Encoding": "gzip, deflate, sdch",
"Accept-Language": "zh-CN,zh;q=0.8",
"Host": "blog.csdn.net"
}

#求总页数
def getPages(self):
req = urllib.request.Request(url=self.url, headers=self.headers)
page = urllib.request.urlopen(req)

# 从我的csdn博客主页抓取的内容是压缩后的内容，先解压缩
data = page.read()
data = ungzip(data)
data = data.decode('utf-8')

# 得到BeautifulSoup对象
soup = BeautifulSoup(data,'html5lib')
# 计算我的博文总页数
tag = soup.find('div',"pagelist")
pagesData = tag.span.get_text()
#输出392条  共20页，找到其中的数字
pagesNum = re.findall(re.compile(pattern=r'共(.*?)页'),pagesData)[0]
return pagesNum

#设置要抓取的博文页面
def setPage(self,idx):
self.url = self.url[0:self.url.rfind('/')+1]+str(idx)

#读取博文信息
def readData(self):
ret=[]
req = urllib.request.Request(url=self.url, headers=self.headers)
res = urllib.request.urlopen(req)

# 从我的csdn博客主页抓取的内容是压缩后的内容，先解压缩
data = res.read()
data = ungzip(data)
data = data.decode('utf-8')

soup=BeautifulSoup(data,"html5lib")
#找到所有的博文代码模块
items = soup.find_all('div',"list_item article_item")
for item in items:
#标题、链接、日期、阅读次数、评论个数
title = item.find('span',"link_title").a.get_text()
link = item.find('span',"link_title").a.get('href')
writeTime = item.find('span',"link_postdate").get_text()
readers = re.findall(re.compile(r'\((.*?)\)'),item.find('span',"link_view").get_text())[0]
comments = re.findall(re.compile(r'\((.*?)\)'),item.find('span',"link_comments").get_text())[0]

ret.append('日期：'+writeTime+'\n标题：'+title
+'\n链接：http://blog.csdn.net'+link
+'\n'+'阅读：'+readers+'\t评论：'+comments+'\n')
return ret

#定义爬虫对象
cs = CSDNSpider()
#求取
pagesNum = int(cs.getPages())
print("博文总页数： ",pagesNum)

for idx in range(pagesNum):
cs.setPage(idx)
print("当前页：",idx+1)
#读取当前页的所有博文，结果为list类型
papers = cs.readData()
saveFile(papers,idx)

GitHub完整代码链接 --- 请戳我吧~~~