python3 爬取简书30日热门，同时存储到txt与mongodb中

初学python，记录学习过程。

 

 

新上榜，七日热门等同理。

此次主要为了学习python中对mongodb的操作，顺便巩固requests与BeautifulSoup。

点击，得到URL https://www.jianshu.com/trending/monthly?utm_medium=index-banner-s&utm_source=desktop

下拉，发现Ajax自动加载，F12观察请求。

 

 

Ajax的请求为：https://www.jianshu.com/trending/monthly?seen_snote_ids%5B%5D=20955828&seen_snote_ids%5B%5D=21427995&seen_snote_ids%5B%5D=20906269&seen_snote_ids%5B%5D=20703931&seen_snote_ids%5B%5D=21506894&seen_snote_ids%5B%5D=21763012&seen_snote_ids%5B%5D=20948499&seen_snote_ids%5B%5D=20513670&seen_snote_ids%5B%5D=21758606&seen_snote_ids%5B%5D=21619908&seen_snote_ids%5B%5D=21793770&seen_snote_ids%5B%5D=21478996&seen_snote_ids%5B%5D=20719357&seen_snote_ids%5B%5D=21136222&seen_snote_ids%5B%5D=20946853&seen_snote_ids%5B%5D=21893085&seen_snote_ids%5B%5D=21368495&seen_snote_ids%5B%5D=20917360&seen_snote_ids%5B%5D=21749782&seen_snote_ids%5B%5D=20641197&page=2

 

仔细观察发现中间存在众多重复的seen_snote_ids，不知啥用，那么去掉试试，将URL换成 https://www.jianshu.com/trending/monthly?page=2，发现OK，中间的seen_snote_ids参数对于请求结果没有影响，那么得到接口https://www.jianshu.com/trending/monthly?page=（1，2，3……），测试了下发现page=11就没了...并且一页加载20条文章。

OK，预习下mongodb在python中的操作。

 

1、需要用到 pymongo,怎么下载就不多说了，百度谷歌你看着办

 

2、开启mongodb，用配置文件启动。

 

顺便给出配置文件吧....

 

#设置数据目录的路径
dbpath = g:\data\db

#设置日志信息的文件路径
logpath = D:\MongoDB\log\mongodb.log
#打开日志输出操作
logappend = true
#在以后进行用户管理的时候使用它
noauth = true
#监听的端口号
port = 27017

3、在python中使用，给出我当初参考的博客，我觉得蛮清晰明了了点击打开链接

 

 

最后，给出源代码

 

#爬取简书上三十日榜并存入数据库中 mongodb
import pymongo
import requests
from requests import RequestException
from bs4 import BeautifulSoup

client = pymongo.MongoClient('localhost', 27017)
db = client.jianshu  # mldn是连接的数据库名 若不存在则自动创建
TABLENAME = 'top'

def get_jianshu_monthTop(url):
    try:
        response = requests.get(url)
        if response.status_code ==200:
            return response.text
        print(url + ',visit error')
        return None
    except RequestException:
        return None

def parse_html(html):
    base_url = 'https://www.jianshu.com'
    soup = BeautifulSoup(html, "html.parser")
    nickname = [i.string for i in soup.select('.info > .nickname')];
    span = soup.find_all('span',class_ = 'time')
    time = []
    for i in span:
        time.append(i['data-shared-at'][0:10])##截取,例2017-12-27T10:11:11+08:00截取成2017-12-27
    title = [i.string for i in soup.select('.content > .title')]
    url = [base_url+i['href'] for i in soup.select('.content > .title')]
    intro = [i.get_text().strip() for i in soup.select('.content > .abstract')]
    readcount = [i.get_text().strip() for i in soup.select('.meta > a:nth-of-type(1)')]
    commentcount = [i.get_text().strip() for i in soup.select('.meta > a:nth-of-type(2)')]
    likecount = [i.get_text().strip() for i in soup.select('.meta > span:nth-of-type(1)')]
    tipcount = [i.get_text().strip() for i in soup.select('.meta > span:nth-of-type(2)')]
    return zip(nickname,time,title,url,intro,readcount,commentcount,likecount,tipcount)

#将数据存到mongodb中
def save_to_mongodb(item):
    if db[TABLENAME].insert(item):
        print('save success:',item)
        return True
    print('save fail:',item)
    return False
#将数据存到results.txt中
def save_to_file(item):
    file = open('result.txt', 'a', encoding='utf-8')
    file.write(item)
    file.write('\n')
    file.close()


def main(offset):
    url = """https://www.jianshu.com/trending/monthly?page=""" + str(offset)
    html = get_jianshu_monthTop(url)
    for i in parse_html(html):
        item = {
            '作者':i[0],
            '发布时间':i[1],
            '标题':i[2],
            'URL':i[3],
            '简介':i[4],
            '阅读量':i[5],
            '评论量':i[6],
            '点赞量':i[7],
            '打赏量':i[8]
        }
        save_to_mongodb(item)
        save_to_file(str(item))

if __name__ == '__main__':
    for i in range(1,11):
        main(i)

 

OK,最后给出效果图

TIPS:右键，新标签页打开图片，查看高清大图：)

抓了共157条数据。。。