作业背景：
这是被卡得煎熬的一次作业，我反复把课上的内容听了，感觉还是无法下手。 本计划仿制另外一个同学的代码的，发现他作业中单独定义了很多.py的文件，这个我就仿制不了。
于是，再换了一种思路，使用小密圈代码。 小密圈代码并非完整版。
于是再换思路， 仿制爬虫课上的ppt代码。 又遇到python环境不兼容的问题，老师的代码基于py2，我的环境是py3。 本计划通过Google，把py2代码替换为py3，结果只完成了一小部分。 google时发现，stock overflow真的很强大,几乎每一个代码的错误反馈，stock overflow几乎都有相关答案，只不过是英文的，不太好消化。
无奈今晚要上课了，只能先提交半成品，证明我努力过。
希望爬虫课的课后资料，能够更贴近0基础人群些。 现在的困扰是，课后很难复现老师的代码。这样难有正反馈。
以下是代码流程
# -*- coding: utf-8 -*-
import os
import time
from urllib.request import urlopen
from urllib.parse import urlparse
from bs4 import BeautifulSoup
# 我这个情况，是不是没有安装urllib2的库啊？
# -*- coding: utf-8 -*-
import os
import time
from urllib.request import urlopen
from urllib.parse import urlparse
from bs4 import BeautifulSoup
html = urlopen("http://www.jianshu.com/p/aa1121232dfd")
print (html)
def download(url, retry=2):
"""
下载页面的函数，会下载完整的页面信息
:param url: 要下载的url
:param retry: 重试次数
:return: 原生html
"""
print ("downloading: "), url
# 设置header信息，模拟浏览器请求
header = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.98 Safari/537.36'
}
try: #爬取可能会失败，采用try-except方式来捕获处理
##request = urllib2.Request(url, headers=header) #设置请求数据
request = urllib.request.Request(url, headers=header)
html = urllib.request.urlopen(request).read() #抓取url
except urllib.request.URLError as e: #异常处理
print ("download error: ", 'e.reason')
html = None
if retry > 0: #未超过重试次数，可以继续爬取
if hasattr(e, 'code') and 500 <= e.code < 600: #错误码范围，是请求出错才继续重试爬取
print (e.code)
return download(url, retry - 1)
time.sleep(1) #等待1s，避免对服务器造成压力，也避免被服务器屏蔽爬取
return html
def crawled_links(url_seed, url_root):
"""
抓取文章链接
:param url_seed: 下载的种子页面地址
:param url_root: 爬取网站的根目录
:return: 需要爬取的页面
"""
crawled_url = set() # 需要爬取的页面
i = 1
flag = True #标记是否需要继续爬取
while flag:
url = url_seed % i #真正爬取的页面
i += 1 #下一次需要爬取的页面
html = download(url) #下载页面
if html == None: #下载页面为空，表示已爬取到最后
break
soup = BeautifulSoup(html, "html.parser") #格式化爬取的页面数据
links = soup.find_all('a', {'class': 'title'}) #获取标题元素
if links.__len__() == 0: #爬取的页面中已无有效数据，终止爬取
flag = False
for link in links: #获取有效的文章地址
link = link.get('href')
if link not in crawled_url:
realUrl = urlparse.urljoin(url_root, link)
crawled_url.add(realUrl) # 记录未重复的需要爬取的页面
else:
print( 'end')
flag = False # 结束抓取
paper_num = crawled_url.__len__()
print('total paper num: '), paper_num
return crawled_url
def crawled_page(crawled_url):
"""
爬取文章内容
:param crawled_url: 需要爬取的页面地址集合
"""
for link in crawled_url: #按地址逐篇文章爬取
html = download(link)
soup = BeautifulSoup(html, "html.parser")
title = soup.find('h1', {'class': 'title'}).text #获取文章标题
content = soup.find('div', {'class': 'show-content'}).text #获取文章内容
if os.path.exists('spider_res/') == False: #检查保存文件的地址
os.mkdir('spider_res')
file_name = 'spider_res/' + title + '.txt' #设置要保存的文件名
if os.path.exists(file_name):
# os.remove(file_name) # 删除文件
continue # 已存在的文件不再写
file = open('spider_res/' + title + '.txt', 'wb') #写文件
content = unicode(content).encode('utf-8', errors='ignore')
file.write(content)
file.close()
url_root = 'http://www.jianshu.com/'
url_seed = 'http://www.jianshu.com/p/aa1121232dfd?page=%d'
crawled_url = set()
flag = True
关于爬虫3课中的demo代码问题。
背景：想要重复曾老师爬虫课上的代码，我是用的是小密圈分析的那段段代码，把打头前几段输入就开始报错，主要是这两句，在报错
- import urllib2
- import urlparse。
研究后发现，问题是由于老师的代码是基于python2，我的环境是python3，使得代码报错，
google后将这两段代码换为 - from urllib.request import urlopen
- from urllib.parse import urlparse
就正常了。
问题是：
- 除了我发现的两句要替换成python3的格式外，后面的代码，有没有也需要做相应替换的？
- 老师第三课上的ppt代码，和小密圈分享的代码，是不一样的，小密圈代码，是不是只定义了几个函数而已，是不能做爬取的？
- 如果我复现了课上ppt的代码，是不是就能把作业解出来？
ps：真的卡住了，自己实在干不动了，真心求助啊。
i = 1
while flag:
##url = url_seed%1
url = url_seed.format(1)
i += 1
html =download(url)
if html==None:
break
soap = BeautifulSoup(html,"html.parser")
links =soap.find_all('a',{'class':'title'})
if links.__len__()==0:
flag = False
for link in links:
link = link.get('herf')
if link not in crawled_url:
realUrl = urlparse.urljoin(url_root,link)
crawled_url.add(realUrl)
else:
print('end')
flag =False
downloading:
---------------------------------------------------------------------------
NameError Traceback (most recent call last)
in download(url, retry)
14 ##request = urllib2.Request(url, headers=header) #设置请求数据
---> 15 request = urllib.request.Request(url, headers=header)
16 html = urllib.request.urlopen(request).read() #抓取url
NameError: name 'urllib' is not defined
During handling of the above exception, another exception occurred:
NameError Traceback (most recent call last)
in ()
5 i += 1
6
----> 7 html =download(url)
8 if html==None:
9 break
in download(url, retry)
15 request = urllib.request.Request(url, headers=header)
16 html = urllib.request.urlopen(request).read() #抓取url
---> 17 except urllib.request.URLError as e: #异常处理
18 print ("download error: ", 'e.reason')
19 html = None
NameError: name 'urllib' is not defined
再次卡住
现在遇到的问题是，代码中那些基于py2环境的urllib2，应切换成什么样的代码，这是个问题。 我尝试把urllib2替换为urllib.request，均无效。
我觉得目前，自己的解决方法，有两种：
- 把所有基于py2的代码替换为py3格式
- 新建python2的环境。
做第一件事，对学习价值更大。
做第二件事，能更快地获得正反馈。
可是这次的作业怎么办，我觉得，应该照着，把代码补齐，然后先提交作业。就像参加长跑比赛的运动员，可能前三名已经出现了，自己还是应该跑完。
paper_num = crawled_url.--len__()
print('total paper num':,paper_num)
#此处是修改为py3语法
File "", line 1
paper_num = crawled_url.--len__()
^
SyntaxError: invalid syntax
对了，py3的print跟py2不一样，py3是print("")模式
for link in crawled_url：
html = download(link)
soap = BeautifulSoup(html,"html.parser")
title = soap.find('h1',{"class":"title"}).txt
content = soap.find('div',{'class':'show-content'}).text
if os.path.exists('spider_res/')==False:
os.mkdir('spider_res')
file_name = 'spider_res/'+title+'.txt'
if os.path.exists(file_name):
continue
file = open('spider_res'+title+'.txt','wb')
content = unicode(content).encode('utf-8',errors='ignore')
file.write(content)
file.close()
File "", line 1
for link in crawled_url：
^
SyntaxError: invalid character in identifier