python爬虫爬取文章_爬虫实战【1】使用python爬取博客园的某一篇文章

第一次实战,我们以博客园为例。

Cnblog是典型的静态网页,通过查看博文的源代码,可以看出很少js代码,连css代码也比较简单,很适合爬虫初学者来练习。

博客园的栗子,我们的目标是获取某个博主的所有博文,今天先将第一步。

第一步:已知某一篇文章的url,如何获取正文?

举个栗子,我们参考‘农民伯伯’的博客文章吧,哈哈。他是我关注的一个博主。

这是他的一篇名为“【读书笔记】长尾理论”的文章。

我们如果想要存储这篇文章,需要保存的内容首先是文章的标题,再就是文章的正文。

文章的标题怎么获取的?

先看一下文章标题在网页源代码中的位置是如何的。

可以看出来,标题的文字内容是包含在一个a标签里面的,我们将这个标签打印出来:

【读书笔记】长尾理论

那个标签具有id属性,值为“cb_post_title_url”,具有class属性,值为“postTitle2”,还具有一个href属性,指向了这篇文章的url。

这个标签应该是比较方便定位的,所以文章标题我们能够很快找到。

代码如下:

importurllib.requestimportre

url=‘http://www.cnblogs.com/over140/p/4440137.html‘req=urllib.request.Request(url)

resp=urllib.request.urlopen(req)

html_page=resp.read().decode(‘utf-8‘)

title_pattern=r‘()(.*)()‘title_match=re.search(title_pattern,html_page)

title=title_match.group(2)#print(title)

上面的title就是我们想要爬取的这篇文章的代码

文章的正文如何获取呢?

来看一下文章的结构,正文的所有内容都在一个div标签里面,但是这个div中存在很多其他标签,并不是直接一堆文字放在div标签里面。比如有很多

标签。

如何获取所有的内容呢?

我猜测,只要将所有>

div_pattern=r‘

(.*)
‘div_match=re.search(div_pattern,html_page)

div=div_match.group(1)#print(div)

result_pattern=r‘>(.*)

result=‘‘

for i inresult_match:

result+=str(i)print(result)

遗憾的是,失败了。。。打印出来的内容,不仅包含文字,还有一些包含在内的标签,比如。

用正则表达式的缺陷这里就体现出来了。。我们还是用BeautifulSoup来解析文档吧。

使用BeautifulSoup解析内容的方法,请回顾我所写的爬虫入门的文章。

获取正文所在的div标签的代码如下:

from bs4 importBeautifulSoup

soup=BeautifulSoup(html_page,‘html.parser‘)#print(soup.prettify())

div=soup.find(id="post_body")#print(div.text)

print(div.get_text())

哈哈,大功告成,我们获得了正文的内容。为了便于保存,我们将文章保存到当前目录下。

filename=title+‘.txt‘with open(filename,‘w‘,encoding=‘utf-8‘) as f:

f.write(div.text)

OK了,至此为止,我们获取并保存了这篇文章。

来,所有的代码如下所示:

importurllib.requestimportrefrom bs4 importBeautifulSoup

url=‘http://www.cnblogs.com/over140/p/4440137.html‘req=urllib.request.Request(url)

resp=urllib.request.urlopen(req)

html_page=resp.read().decode(‘utf-8‘)

title_pattern=r‘()(.*)()‘title_match=re.search(title_pattern,html_page)

title=title_match.group(2)#print(title)

‘‘‘div_pattern=r‘

(.*)

div_match=re.search(div_pattern,html_page)

div=div_match.group(1)

#print(div)

result_pattern=r‘>(.*)

result_match=re.findall(result_pattern,div)

result=‘‘

for i in result_match:

result+=str(i)

print(result)‘‘‘soup=BeautifulSoup(html_page,‘html.parser‘)#print(soup.prettify())

div=soup.find(id="post_body")#print(div.text)

print(div.get_text())

filename=title+‘.txt‘with open(filename,‘w‘,encoding=‘utf-8‘) as f:

f.write(div.text)

你可能感兴趣的:(python爬虫爬取文章)