Python抓拍博客园文章，并存入数据库

　　在学习python后，想做个爬虫，抓取博客园文章。

　　爬虫思路很简单，模拟浏览器访问网页，得到网页的html代码，再根据页面结构，从html中提取自己需要的内容。

　　本文代码主要分为3个部分：

　　1、读取博客园首页文章链接。

　　　　https://www.cnblogs.com/是博客园的首页，列出了文章，分析页面内容，读取文章的链接。

　　　　这需要看页面的结构，可以使用浏览器，再浏览页面代码，选择元素，看界面上选中哪一部分，根据自己的需要，可以看到对应模块的代码。

　　2、对于每个页面，分析页面内容。

　　　　这需要看页面结构。

　　3、分析完页面内容后，将需要的数据插入到数据库中。

数据设计：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

-- 博客系统爬虫模块 -- 1、创建库 drop database if exists blog_service_spider; -- 直接删除数据库，不提醒 create database blog_service_spider; -- 创建数据库 use blog_service_spider; -- 选择数据库   -- -- table structure for table `spider_page` -- drop table if exists `spider_page`;   create table `spider_page` (   `id` varchar(60) not null comment '主键',   `create_time` datetime default current_timestamp comment '创建时间',   `creator` varchar(60) not null comment '创建人id',   `modified_time` datetime default null on update current_timestamp comment '修改时间',   `modifier` varchar(60) default null comment '修改人id',   `title` varchar(100) default null comment '文章标题',   `title_url` varchar(100) default null comment '文章地址',   `content` text default null comment '文章内容',   `post_time` datetime default null comment '文章发表时间',   `author` varchar(100) default null comment '作者',   `author_page` varchar(100) default null comment '作者主页',   primary key (`id`) ) engine=innodb default charset=utf8 comment='抓取的文章';

　　

python代码如下：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104

''' File Name：   webspider Author：      tim Date：        2018/7/27 14:36 Description： 网页爬虫。抓取博客园首页文章，放入数据库中。 放入数据库中的内容：标题、作者、发表时间、文章内容、文章地址、作者主页 '''   from urllib import request import ssl from bs4 import BeautifulSoup import pymysql import uuid     # 传入url，读取url，将返回的页面转换成BeautifulSoup对象 def html_parser(url):     ssl._create_default_https_context = ssl._create_unverified_context  # 加入ssl     req = request.Request(url)  # 构建请求       # 代理，模拟浏览器在访问，避免被屏蔽     req.add_header('User-Agent',                    'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36')       resp = request.urlopen(req)  # 发起请求     html = resp.read().decode('utf-8')  # 转码       bf = BeautifulSoup(html, "html.parser")  # 将页面转换成BeautifulSoup对象       return bf     # 分析单个网页 def read_page(url):     bf = html_parser(url)  # 获取BeautifulSoup对象       # 内容分析     post_info = bf.find('div', class_='post')  # 有用的内容区域，下面的查找从该有用区域中进一步获取       title = post_info.find(id='cb_post_title_url').get_text()  # 文章标题     title_url = post_info.find(id='cb_post_title_url')['href']  # 文章地址     content = post_info.find(id='cnblogs_post_body')  # 文章内容     postdate = post_info.find(id='post-date').get_text()  # 文章发表时间     author = post_info.find('div', class_='postDesc').find('a').get_text()  # 作者     author_page = post_info.find('div', class_='postDesc').find('a')['href']  # 作者主页       '''print(title)     print(title_url)     print(content)     print(postdate)     print(author)     print(author_page)'''     # 分析完每个页面后，将页面内容插入到数据库中     operate_db(title, title_url, content, postdate, author, author_page)     # 分析博客园首页文章列表 def read_post_list():     bf = html_parser('https://www.cnblogs.com/')     post_list = bf.find(id='post_list').find_all('div', class_="post_item")     for post in post_list:         page_url = post.find('div', class_='post_item_body').h3.a['href']         # 读取每篇文章的url，分别进行页面分析         read_page(page_url)     # 操作数据库 def operate_db(title, title_url, content, postdate, author, author_page):     # 打开数据库连接     conn = pymysql.connect('localhost', 'root', 'root', 'blog_service_spider')       # 使用cursor()方法获取操作游标     cursor = conn.cursor()       # 执行的sql     insert_sql = "insert into spider_page (id,creator,title,title_url,content,post_time,author,author_page) values(%s,%s,%s,%s,%s,%s,%s,%s)"       # 生成的ID     id = str(uuid.uuid1())       # 文章内容     str_content = str(content)       # 创建人     creator = 'admin'       try:         cursor.execute(insert_sql,                        (id, creator, title, title_url, str_content, postdate, author, author_page))  # 执行sql语句         conn.commit()  # 提交到数据库执行     except Exception as e:         # 如果执行sql语句出现问题，则执行回滚操作         conn.rollback()         print(e)     finally:         # 不论try中的代码是否抛出异常，这里都会执行         # 关闭游标和数据库连接         cursor.close()         conn.close()     # start if __name__ == '__main__':     read_post_list()