第40篇博客吹响号角,爬取博客园博客~本文最终抓取到了从2010年1月1日到2019年1月7日的37W+文章,后面可以分析好多东西了呢
经常看博客的同志知道,博客园每个栏目下面有200页,多了的数据他就不显示了,最多显示4000篇博客如何尽可能多的得到博客数据,是这篇文章研究的一点点核心内容,能√get到多少就看你的了~
单纯的从每个栏目去爬取是不显示的,转换一下思路,看到搜索页面,有时间~,有时间!
注意看URL链接
https://zzk.cnblogs.com/s/blogpost?Keywords=python&datetimerange=Customer&from=2019-01-01&to=2019-01-01这个链接得到之后,其实用一个比较简单的思路就可以获取到所有python相关的文章了,迭代时间。
下面编写核心代码,比较重要的几个点,我单独提炼出来。
页面搜索的时候因为加了验证,所以你必须要获取到你本地的cookie,这个你很容易得到
字典生成器的语法是时候去复习一下了
import scrapy from scrapy import Request,Selector import time import datetime class BlogsSpider(scrapy.Spider): name = 'Blogs' allowed_domains = ['zzk.cnblogs.com'] start_urls = ['http://zzk.cnblogs.com/'] from_time = "2010-01-01" end_time = "2010-01-01" keywords = "python" page =1 url = "https://zzk.cnblogs.com/s/blogpost?Keywords={keywords}&datetimerange=Customer&from={from_time}&to={end_time}&pageindex={page}" custom_settings = { "DEFAULT_REQUEST_HEADERS":{ "HOST":"zzk.cnblogs.com", "TE":"Trailers", "referer": "https://zzk.cnblogs.com/s/blogpost?w=python", "upgrade-insecure-requests": "1", "user-agent": "Mozilla/5.0 Gecko/20100101 Firefox/64.0" } } def start_requests(self): cookie_str = "想办法自己获取到" self.cookies = {item.split("=")[0]: item.split("=")[1] for item in cookie_str.split("; ")} yield Request(self.url.format(keywords=self.keywords,from_time=self.from_time,end_time=self.end_time,page=self.page),cookies=self.cookies,callback=self.parse)页面爬取完毕之后,需要进行解析,获取翻页页码,同时将时间+1天,下面的代码重点看时间叠加部分的操作。
def parse(self, response): print("正在爬取",response.url) count = int(response.css('#CountOfResults::text').extract_first()) # 获取是否有数据 if count>0: for page in range(1,int(count/10)+2): # 抓取详细数据 yield Request(self.url.format(keywords=self.keywords,from_time=self.from_time,end_time=self.end_time,page=page),cookies=self.cookies,callback=self.parse_detail,dont_filter=True) time.sleep(2) # 跳转下一个日期 d = datetime.datetime.strptime(self.from_time, '%Y-%m-%d') delta = datetime.timedelta(days=1) d = d + delta self.from_time = d.strftime('%Y-%m-%d') self.end_time =self.from_time yield Request( self.url.format(keywords=self.keywords, from_time=self.from_time, end_time=self.end_time, page=self.page), cookies=self.cookies, callback=self.parse, dont_filter=True) 页面解析入库本部分操作逻辑没有复杂点,只需要按照流程编写即可,运行代码,跑起来,在mongodb等待一些时间
db.getCollection('dict').count({})返回
372352条数据 def parse_detail(self,response): items = response.xpath('//div[@class="searchItem"]') for item in items: title = item.xpath('h3[@class="searchItemTitle"]/a//text()').extract() title = "".join(title) author = item.xpath(".//span[@class='searchItemInfo-userName']/a/text()").extract_first() public_date = item.xpath(".//span[@class='searchItemInfo-publishDate']/text()").extract_first() pv = item.xpath(".//span[@class='searchItemInfo-views']/text()").extract_first() if pv: pv = pv[3:-1] url = item.xpath(".//span[@class='searchURL']/text()").extract_first() #print(title,author,public_date,pv) yield { "title":title, "author":author, "public_date":public_date, "pv":pv, "url":url } 数据入库一顿操作猛如虎,数据就到手了~后面可以做一些简单的数据分析,那篇博客再见啦@