Python之爬取CSND博客

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了Python之爬取CSND博客，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含3380字，纯文字阅读大概需要5分钟。

内容图文

“简说Python”，选择“置顶/星标公众号”
福利干货，第一时间送达！

1.知识点要求

• 2.1 Python基础知识（List和Tuple）
• 2.2 urllib模块、超时设置、自动模拟http请求之get方法和post方法
• 2.3 异常处理与浏览器伪装技术实战
  如果你对相关知识有些遗忘，可以点上面的链接，熟悉一下相关知识点。

2.爬取CSND博客首页信息实战

目的：爬取csdn博客首页上的所有新闻连接，并下载到本地文件夹中。

（1）进入csdn博客首页(https://blog.csdn.net/)，点击鼠标右键，点击查看网页源代码，然后，在源代码网页中按ctrl + f键，会出现搜索框。
（2）在博客首页中复制一些新闻的标题，然后在搜索框中搜索复制的标题，找到搜索到的内容，观察该新闻的连接特征。再多换几个标题试试。

在这里插入图片描述

（3）换了几个标题之后你会发现大多数的连接的局部地方，都只是红色部分的连接不一样，其余部分一样。那这样我们可以设置正则表达式<a.?href="(.?)" target="_blank"


（4）对csdn首页的信息进行爬取

#首先导入模块
import re
import urllib.request
import urllib.error

#要爬取的网页的网站
url = "https://blog.csdn.net/"
#获得网页当前信息
page = urllib.request.urlopen(url).read().decode('utf-8', 'ignore') #参数'ignore'表示解码遇到异常时忽略异常，继续解码
#设置正则表达式
pat = '<a.*?href="(.*?)" target="_blank"'
#从网页信息中匹配出我们要的信息
links = re.compile(pat).findall(page)
print(links[:12])
#存放爬取的新闻网址信息
for i in range(0, len(links)):
    #防止出现异常，而停止信息爬取，采用异常处理措施
    try:
        urllib.request.urlretrieve(links[i], "D:\\python\\news\\"+str(i)+".html")
    except urllib.error.HTTPError as e:
        if hasattr(e, 'code'):
            print(e.code)
        if hasattr(e, 'reason'):
            print(e.reason)
print('爬取成功！')

（5）运行上面的代码我们会发现错误，爬取信息爬到了一半就中断了，分析错误原因，发现是出现了非网址的字符串

（6）所以，我要用语句links = [link for link in links if link[:4]=='http']将不是网址的字符串过滤掉，所以，最终代码如下：

#首先导入模块
import re
import urllib.request
import urllib.error

#要爬取的网页的网站
url = "https://blog.csdn.net/"
#获得网页当前信息
page = urllib.request.urlopen(url).read().decode('utf-8', 'ignore') #参数'ignore'表示解码遇到异常时忽略异常，继续解码
#设置正则表达式
pat = <a.*?href="(.*?)" target="_blank"'
#从网页信息中匹配出我们要的信息
links = re.compile(pat).findall(page)
print(len(links))
#爬取的过程中发现了异常，存在：<a href="/nav/ai" target="_blank">这样的代码，获取的不是网址，所有要进行过滤
links = [link for link in links if link[:4]=='http']
print(len(links))
#存放爬取的新闻网址信息
for i in range(0, len(links)):
    #防止出现异常，而停止信息爬取，采用异常处理措施
    try:
        urllib.request.urlretrieve(links[i], "D:\\python\\news\\"+str(i)+".html")
    except urllib.error.HTTPError as e:
        if hasattr(e, 'code'):
            print(e.code)
        if hasattr(e, 'reason'):
            print(e.reason)
print('爬取成功！')

（7）运行程序，可以看见我们过滤掉了21个非网址字符串，我这里是从0开始一直爬到122，说明我获取到的网页信息全部爬取成功！

我是老表，踏实的人更容易过好生活，本文完。

推荐阅读：

Python小白教程：入门篇 (上)

Python小白教程：入门篇 (下)

10个省时间的 PyCharm 技巧（附PyCharm下载安装破解使用教程）

数据分析从零开始实战
数据分析从零开始实战 | 基础篇（一）
数据分析从零开始实战 | 基础篇（二）
数据分析从零开始实战 | 基础篇（三）
数据分析从零开始实战 | 基础篇(四)
仔细阅读下面四篇文章，快速掌握Python基础知识要点。

完整Python基础知识
Python小知识 | 这些技能你不会?(一)
Python小知识 | 这些技能你不会?(二）
Python小知识 | 这些技能你不会?(三)
Python小知识 | 这些技能你不会?(四)
我是老表，支持我请转发分享本文。

/你学Python的态度/

留言 Python666 或 我爱Python，表明你的学习态度。

内容总结

以上是互联网集市为您收集整理的Python之爬取CSND博客全部内容，希望文章能够帮你解决Python之爬取CSND博客所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端