Python爬虫入门教程 17-100 CSD*博客抓取数据
写在前面
写了一段时间的博客了,忽然间忘记了,其实CSD*博客频道的博客也是可以抓取的,所以我干了.....
其实这事情挺简单的,打开CSDN博客首页,他不是有个最新文章么,这个里面都是最新发布的文章。
打开F12抓取一下数据API,很容易就获取到了他的接口
提取链接长成这个样子
https://blog.csdn.net/api/articles?type=more&category=newarticles&shown_offset=1540381234000000
发现博客最新文章是一个瀑布流页面,不断下拉,只有一个参数shown_offset
在变化,按照我多年的行医经验,这个参数是个时间戳,而且肯定是上一次数据最后一条的时间戳。
基于这个理论,看一下数据,咦,猜对了~~~~~
博客返回的数据看一下,是否对味
撸代码
这个步骤就非常简单了,就是通过requests
去抓取这个链接就好了
import requests
import pymongo
import time
START_URL = "https://www.csdn.net/api/articles?type=more&category=newarticles&shown_offset={}"
HEADERS = {
"Accept":"application/json",
"Host":"www.csdn.net",
"Referer":"https://www.csdn.net/nav/newarticles",
"User-Agent":"你自己的浏览器配置",
"X-Requested-With":"XMLHttpRequest"
}
def get_url(url):
try:
res = requests.get(url,
headers=HEADERS,
timeout=3)
articles = res.json()
if articles["status"]:
need_data = articles["articles"]
if need_data:
collection.insert_many(need_data) # 数据插入
print("成功插入{}条数据".format(len(need_data)))
last_shown_offset = articles["shown_offset"] # 获取最后一条数据的时间戳
if last_shown_offset:
time.sleep(1)
get_url(START_URL.format(last_shown_offset))
except Exception as e:
print(e)
print("系统暂停60s,当前出问题的是{}".format(url))
time.sleep(60) # 出问题之后,停止60s,继续抓取
get_url(url)
数据获取到了,当然要象征性的保存一下,mongo数据库的操作在上一篇文章,你可以去翻翻。