Python【黑马python培训】

更新时间:2019年07月26日 11时12分45秒来源:黑马程序员论坛

[Python]新手写爬虫全过程（已完成）
今天早上起来，第一件事情就是理一理今天该做的事情，瞬间get到任务，写一个只用python字符串内建函数的爬虫，定义为v1.0，开发中的版本号定义为v0.x。数据存放？这个是一个练手的玩具，就写在txt文本里吧。其实主要的不是学习爬虫，而是依照这个需求锻炼下自己的编程能力，最重要的是要有一个清晰的思路（我在以这个目标努力着）。ok，主旨已经订好了，开始‘撸串’了。

目标网站：http://bohaishibei.com/post/category/main/（一个很有趣的网站，一段话配一个图，老有意思了～）网站形式如下：

目标：把大的目标分为几个小的目标。因为第一次干这个，所以对自己能力很清楚，所以完成顺序由简单到复杂。

      1.爬取一期的内容，包括标题，和图片的url

　　  2.把数据存在本地的txt文件中

      3.想爬多少就爬就爬少

      4.写一个网站，展示一下。（纯用于学习）

Let‘s 搞定它!

时间——9:14

　　把昨天晚上做的事情交代一下。昨天晚上写的代码实现了爬取一期里的所有标题。

第一步：

我用的是google浏览器，进入开发者模式，使用’页面内的元素选择器‘，先看一下内页中的结构，找到我们要的数据所在’标签‘。

这里我们需要的博海拾贝一期的内容全部在<article class="article-content">这个标签里面，如下图：

第一条红线是：页面内的元素选择器

第二条是：内容所在标签

第三条是：title

经过分析得出，我只要<article class="article-content">，这个标签的内容：所以写了下面的方法：

复制代码
def content(html):
# 内容分割的标签
str = '<article class="article-content">'
content = html.partition(str)[2]
str1 = '<div class="article-social">'
content = content.partition(str1)[0]
return content # 得到网页的内容
复制代码
这里需要说一下：在写这个爬虫之前我就打算只用字符串的内置函数来处理匹配问题，所以我就上http://www.w3cschool.cc/python/进入到字符串页面，大致看了一遍字符串的内建函数有哪些。

partition() 方法用来根据指定的分隔符将字符串进行分割。

如果字符串包含指定的分隔符，则返回一个3元的元组，第一个为分隔符左边的子串，第二个为分隔符本身，第三个为分隔符右边的子串。

partition() 方法是在2.5版中新增的。参考：http://www.w3cschool.cc/python/att-string-partition.html

这样我就得到只有内容的字符串了，干净～

第二步：

得到title的内容。title的格式如下，我只要’【2】‘后面的文字，后面的img暂时不考虑一步步的来。

<p>【2】这是我最近的状态，请告诉我不是我一个人！</p><p><img src=http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8ifthnj30an0aot8w.jpg /></p><p>

我写了下面的方法：

复制代码
def title(content,beg = 0):
# 思路是利用str.index()和序列的切片
try:
      title_list = []
      while True:
         num1 = content.index('】',beg)
         num2 = content.index('</p>',num1)
         title_list.append(content[num1:num2])
         beg = num2

except ValueError:
      return title_list
复制代码
这里用try....except是因为我不知道怎么跳出循环。。。。求大神有更好的方法告诉我。

我这里跳出循环用的是当抛出VlaueError异常就说明找不到了，那就返回列表。就跳出循环了。

num1是】的位置，num2是</p>的位置，然后用序列的切片，咔嚓咔嚓一下就是我想要的数据了。这里需要注意的是：切片’要头不要尾‘所以我们的得到的数据就是这个样子的：

哎呀，这个是什么鬼！要头不要尾就是这个意思！

然后我就想：那就把num1加1不就完了吗？我真是太天真了。。。。

请+3，我觉得原理是这样的，这个是个中文字符！（求大神指点）

第三步：

交代清楚我昨天晚上做的事情了，记录下时间——10:01，下面我要爬图片的url了。这里要说一下，如果要把图片下下来，最重要的一步就是得到url，然后下载下来保存到本地(用文本的IO)。

我先获得url，实现原理同获取title，我在想，既然一样卸载获取title的方法里好，还是在写一个方法好。我单独写了一个方法，但是其实就是复制了一下title的方法，改了下匹配的字符串，代码如下：

复制代码
def img(content,beg = 0):
# 思路是利用str.index()和序列的切片
try:
      img_list = []
      while True:
         src1 = content.index('http',beg)
         src2 = content.index('/></p>',src1)
         img_list.append(content[src1:src2])
         beg = src2

except ValueError:
      return img_list
复制代码
结果图如下：

  这里发现，有的时候一个title会有很多个图片。我思考之后有如下思路：

1.需要写一个方法，当一个title出现多个图片的时候，捕获url。这个需要有一个判断语句，当url长度大于一个url长度的时候，才需要调用这个函数。

2.多个图片的url怎么放？使用符号隔开存放还是嵌套放入一个数组里面？我这里打算用’|‘隔开，这样的话加一个判语句，或者先判断一下url长度，都可以进行。

这个问题先放在这里，因为当我要下载的时候这个url才需要过滤，所以先进行下一步，把数据存到本地txt文中，这里在解决这个问题也不晚。

第四步：

把数据存到本地的txt中。Python文件IO参考资料：http://www.w3cschool.cc/python/python-files-io.html

这里需要注意的是，文本写入的时候记得close，还有就是注意打开文本的模式。

时间——11：05 吃个饭先

时间——11：44 回来了

这里我考虑了一个问题，根据《编写高质量代码——改善python程序的91个建议》这本书中写道的，字符串连接时，用jion()效率高于’+‘

所以我写了如下代码：

复制代码
def data_out(data):
#这里写成一个方法好处是，在写入文本的时候就在这里写
fo = open("/home/qq/data.txt", "a+") #这里注意重新写一个地址
#for i,e in enumerate(data):
fo.write("\n".join(data));
      #print '第%d个，title：%s' % (i,e)
# 关闭打开的文件
fo.close()
复制代码

这样造成了一个问题，看图

造成最后一个和新的一个列表写入时在同一行。同时用with....as更好。修改后代码如下：

复制代码
def data_out(data):
#写入文本
with open("/home/qq/foo.txt", "a+") as fo:
      fo.write('\n')
      fo.write("\n".join(data));
复制代码
下面研究title和img以什么样的格式存入txt文本：

title$img

这里我有一个概念混淆了，+和join()方法的效率问题主要在连接多个字符串的时候，我这个只用连接一次，不需要考虑这个问题。

复制代码
def data_out(title, img):
#写入文本
with open("/home/qq/foo.txt", "a+") as fo:
      fo.write('\n')
      size = 0
      for size in range(0, len(title)):
         fo.write(title[size]+'$'+img[size]+'\n');
复制代码
文本中的内容如下：

复制代码
愿你贪吃不胖，愿你懒惰不丑，愿你深情不被辜负。$http://ww1.sinaimg.cn/mw690/005CfBldtw1etay8dl1bsj30c50cbq4m.jpg"
这是我最近的状态，请告诉我不是我一个人！$http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8ifthnj30an0aot8w.jpg
引诱别人和你击拳庆祝，然后偷偷把手势变成二，就可以合体成为蜗牛cosplay……$http://ww2.sinaimg.cn/mw690/005CfBldtw1etay8fzm1sg30b40644qq.gif
原来蜗牛是酱紫吃东西的。。。。涨姿势！$http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8egg8vg30bo08ax6p.gif
复制代码
写入文本的最后，解决多个图片的问题：

复制代码
def many_img(data,beg = 0):
#用于匹配多图中的url
try:
      many_img_str = ''
      while True:
         src1 = data.index('http',beg)
         src2 = data.index(' /><br /> <img src=',src1)
         many_img_str += data[src1:src2]+'|' # 多个图片的url用"|"隔开
         beg = src2
except ValueError:
      return many_img_str

def data_out(title, img):
#写入文本
with open("/home/qq/data.txt", "a+") as fo:
      fo.write('\n')
      for size in range(0, len(title)):
         # 判断img[size]中存在的是不是一个url
         if len(img[size]) > 70:
            img[size] = many_img(img[size])# 调用many_img()方法
         fo.write(title[size]+'$'+img[size]+'\n')

复制代码
输出如下：

复制代码
元气少女陈意涵 by @TopFashionStyle$http://ww2.sinaimg.cn/mw690/005CfBldtw1etay848iktj30bz0bcq4x.jpg|http://ww1.sinaimg.cn/mw690/005CfBldtw1etay83kv5pj30c10bkjsr.jpg|http://ww3.sinaimg.cn/mw690/005CfBldtw1etay82qdvsj30c10bkq3z.jpg|http://ww1.sinaimg.cn/mw690/005CfBldtw1etay836z8lj30c00biq40.jpg|http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8279qmj30ac0a0q3p.jpg|http://ww1.sinaimg.cn/mw690/005CfBldtw1etay81ug5kj30c50bnta6.jpg|http://ww2.sinaimg.cn/mw690/005CfBldtw1etay8161ncj30c20bgmyt.jpg|http://ww2.sinaimg.cn/mw690/005CfBldtw1etay804oy7j30bs0bgt9r.jpg|
复制代码
暂时功能是实现了，后面遇到问题需要修改在改吧。。。。新手走一步看一步！！！

到此为止，已经完成了前两个简单的计划：

　　  1.爬取一期的内容，包括标题，和图片的url

　　  2.把数据存在本地的txt文件中

全部代码如下：

复制代码
#coding:utf-8
import urllib
######
#爬虫v0.1 利用urlib 和字符串内建函数
######
def getHtml(url):
# 获取网页内容
page = urllib.urlopen(url)
html = page.read()
return html

def content(html):
# 内容分割的标签
str = '<article class="article-content">'
content = html.partition(str)[2]
str1 = '<div class="article-social">'
content = content.partition(str1)[0]
return content # 得到网页的内容

def title(content,beg = 0):
# 匹配title
# 思路是利用str.index()和序列的切片
try:
      title_list = []
      while True:
         num1 = content.index('】',beg)+3
         num2 = content.index('</p>',num1)
         title_list.append(content[num1:num2])
         beg = num2

except ValueError:
      return title_list

def get_img(content,beg = 0):
# 匹配图片的url
# 思路是利用str.index()和序列的切片
try:
      img_list = []
      while True:
         src1 = content.index('http',beg)
         src2 = content.index('/></p>',src1)
         img_list.append(content[src1:src2])
         beg = src2

except ValueError:
      return img_list

def many_img(data,beg = 0):
#用于匹配多图中的url
try:
      many_img_str = ''
      while True:
         src1 = data.index('http',beg)
         src2 = data.index(' /><br /> <img src=',src1)
         many_img_str += data[src1:src2]+'|' # 多个图片的url用"|"隔开
         beg = src2
except ValueError:
      return many_img_str

def data_out(title, img):
#写入文本
with open("/home/qq/data.txt", "a+") as fo:
      fo.write('\n')
      for size in range(0, len(title)):
         # 判断img[size]中存在的是不是一个url
         if len(img[size]) > 70:
            img[size] = many_img(img[size])# 调用many_img()方法
         fo.write(title[size]+'$'+img[size]+'\n')



content = content(getHtml("http://bohaishibei.com/post/10475/"))
title = title(content)
img = get_img(content)
data_out(title, img)
# 实现了爬的单个页面的title和img的url并存入文本
复制代码

时间——15：14

下面要重新分析网站，我已经可以获得一期的内容了，我现在要得到，其它期的url，这样就想爬多少就爬多少了。

目标网址：http://bohaishibei.com/post/category/main/

按照上面的方法进入开发者模式分析网站结构，找出目标数据所在的标签，撸它！

在首页中需要的数据全部都在<div class="content">标签里，分隔方法如下：

复制代码
def main_content(html):
# 首页内容分割的标签
str = '<div class="content">'
content = html.partition(str)[2]
str1 = '</div>'
content = content.partition(str1)[0]
return content # 得到网页的内容
复制代码
我暂时需要的数据：每一期的名字和每一期的url。

经过我的分析：该网站的每期的url格式是这样的："http://bohaishibei.com/post/10189/"只有数字是变化的。

后来我又发现，我想要的这两个数据都在<h2>这个标签下面，获取每期url的方法如下：

复制代码
def page_url(content, beg = 0):
try:
      url = []
      while True:
         url1 = content.index('<h2><a href="',beg)+13
         url2 = content.index('" ',url1)
         url.append(content[url1:url2])
         beg = url2
except ValueError:
      return url
复制代码

title的格式，

我思考了一下，我要title其实没什么太大的意思，用户有不可能说我要看那期，只需要输入看多少期就可以了，标题没有什么实际意义（不像内容中的title是帮助理解改张图笑点的）。所以我打算在这个版本中只实现，你输入想查看要多少期，就返回多少期！

那么下面就需要一个策略了：

http://bohaishibei.com/post/category/main/ 共20期

http://bohaishibei.com/post/category/main/page/2/ 共20期

......

经查看，每页都是20期

当你要查看的期数，超过20期的时候需要，增加page的数值，进入下一页进行获取

最后一页为这个:http://bohaishibei.com/post/category/main/page/48/

实现代码，这个我要想一想怎么写，我是第一次写爬虫，不要嘲讽我啊！

时间——17：09

感觉快实现了，还在写：

复制代码
def get_order(num):
page = num / 20
order = num % 20 # 超出一整页的条目
for i in range(1, page+1): # 需这里需要尾巴
      url = 'http://bohaishibei.com/post/category/main/page/%d' % i
      print url

      if (i == page)&(order > 0):
         url = 'http://bohaishibei.com/post/category/main/page/%d' % (i+1)
         print url+",%d条" % order
get_order(55)
复制代码
运行结果：

复制代码
http://bohaishibei.com/post/category/main/page/1
http://bohaishibei.com/post/category/main/page/2
http://bohaishibei.com/post/category/main/page/3,15条
2
~~~~~~~~~~~~
15
复制代码
这里我考虑是这样的我需要重写 page_url，需要多加一个参数，如下：

复制代码
# 新增一个参数order，默认为20
def page_url(content, order = 20, beg = 0):
try:
      url = []
      i = 0
      while i < order:
         url1 = content.index('<h2><a href="',beg)+13
         url2 = content.index('" ',url1)
         url.append(content[url1:url2])
         beg = url2
         i = i + 1
      return url
except ValueError:
      return url
复制代码

下面这个方法是传入参数num（需要多少期），一页20期，返回每一期的url，代码如下：

复制代码
def get_order(num):
# num代表获取的条目数量
url_list = []
page = num / 20
order = num % 20 # 超出一整页的条目
if num < 20:  # 如果获取的条目数量少于20（一页20个），直接爬取第一页的num条
      url = 'http://bohaishibei.com/post/category/main'
      main_html = getHtml(url)
      clean_content = main_content(main_html)
      url_list = url_list + page_url(clean_content, num)
for i in range(1, page+1): # 需这里需要尾巴
      url = 'http://bohaishibei.com/post/category/main/page/%d' % i # 爬取整页的条目
      main_html = getHtml(url)
      clean_content = main_content(main_html)
      url_list = url_list + page_url(clean_content) #获取整夜

      if (i == page)&(order > 0):  # 爬到最后一页，如果有超出一页的条目则继续怕order条
         url = 'http://bohaishibei.com/post/category/main/page/%d' % (i+1)
         main_html = getHtml(url)
         clean_content = main_content(main_html)
         url_list = url_list + page_url(clean_content, order)
         #print len(page_url(clean_content, order))
return url_list
复制代码
下面开始gogogo

复制代码
order = get_order(21)
for i in range(0, len(order)): #这个遍历列表太丑了，改了： for i in order
html = getHtml(order[i])
content_data = content(html)
title_data = title(content_data)
img_data = get_img(content_data)
data_out(title_data, img_data)
复制代码
ok了所有的代码都写完了

完整的代码我已经上传到我的github上了，地址为：https://github.com/521xueweihan/PySpider/blob/master/Spider.py

这里我在测试的时候有bug，因为该网站上有时候有的地方没有img的地址。如下图

我的代码也就跟着出问题了，因为我的title和img列表数量不一了，而列表长度我是以title的len()为准，结果就出现超出范围了。

这里记录一下，然后我要去除bug了。

ok啦，bug消除了。我改了img的匹配方法如下：

复制代码
def get_img(content,beg = 0):
# 匹配图片的url
# 思路是利用str.index()和序列的切片
try:
      img_list = []
      while True:
         src1 = content.index('src=',beg)+4  # 这样写就可以匹配src="/"
         src2 = content.index('/></p>',src1)
         img_list.append(content[src1:src2])
         beg = src2

except ValueError:
      return img_list
复制代码

主函数：

复制代码
order = get_order(30) # get_order方法接受参数，抓取多少期的数据
for i in order:  # 遍历列表的方法
html = getHtml(i)
content_data = content(html)
title_data = title(content_data)
img_data = get_img(content_data)
data_out(title_data, img_data)
复制代码

爬下来的数据：

data.txt属性（共30期的数据）：

终于写完了！

开始时间——9:14

写爬虫，吃饭，洗澡，休息了一会。

结束时间——21：02

呼，没有半途而废就知足了，感觉这样把写爬虫的流程走了一遍下次再写的话会快一些吧。

爬虫是写完了，但是用网站显示还没有写，明天看如果没事就把网站写出来。

图片下载的功能，我还没有写，等写网站的时候再把它完善出来。

总结：

整个过程，纯手写，没有参考别人的代码。这一点可以赞一下。

这次写爬虫就是强制自己不用正则表达式，和XPATH，发现有很多地方，用这两个会很方便。这让我下定决心去学正则表达式和Xpath，哈哈。体会过才有深有感触。

下一个目标是学习正则表达式和Xpath。一点点来，当我学完就来写爬虫v2.0，逐步完善吧，如果上来就要写难得，我的智商着急啊！

然后多看看别人的爬虫，学习别人厉害的地方，提高自己。

欢迎大家指导交流。

完整的代码我已经上传到我的github上了，地址为：https://github.com/521xueweihan/PySpider/blob/master/Spider.py

推荐了解热门学科

java培训	Python人工智能	Web前端培训	PHP培训
区块链培训	影视制作培训	C++培训	产品经理培训
UI设计培训	新媒体培训	产品经理培训	Linux运维
大数据培训	智能机器人软件开发

传智播客是一家致力于培养高素质软件开发人才的科技公司，“黑马程序员”是传智播客旗下高端IT教育品牌。自“黑马程序员”成立以来，教学研发团队一直致力于打造精品课程资源，不断在产、学、研3个层面创新自己的执教理念与教学方针，并集中“黑马程序员”的优势力量，针对性地出版了计算机系列教材50多册，制作教学视频数+套，发表各类技术文章数百篇。

传智播客从未停止思考

传智播客副总裁毕向东在2019IT培训行业变革大会提到，“传智播客意识到企业的用人需求已经从初级程序员升级到中高级程序员，具备多领域、多行业项目经验的人才成为企业用人的首选。”

中级程序员和初级程序员的差别在哪里?
项目经验。毕向东表示，“中级程序员和初级程序员最大的差别在于中级程序员比初级程序员多了三四年的工作经验，从而多出了更多的项目经验。“为此，传智播客研究院引进曾在知名IT企业如阿里、IBM就职的高级技术专家，集中研发面向中高级程序员的课程，用以满足企业用人需求，尽快补全IT行业所需的人才缺口。

何为中高级程序员课程?

传智播客进行了定义。中高级程序员课程，是在当前主流的初级程序员课程的基础上，增加多领域多行业的含金量项目，从技术的广度和深度上进行拓展。“我们希望用5年的时间，打造上百个高含金量的项目，覆盖主流的32个行业。”传智播客课程研发总监于洋表示。

黑马程序员热门视频教程【点击播放】

Python入门教程完整版（懂中文就能学会）	零起点打开Java世界的大门
C++\| 匠心之作从0到1入门学编程	PHP\|零基础入门开发者编程核心技术
Web前端入门教程_Web前端html+css+JavaScript	软件测试入门到精通

全国中心

Python【黑马python培训】

相关阅读