Python]新手寫爬蟲全過程（已完成）
今天早上起來，第一件事情就是理一理今天該做的事情，瞬間get到任務，寫一個只用python字串內建函式的爬蟲，定義為v1.0，開發中的版本號定義為v0.x。資料存放？這個是一個練手的玩具，就寫在txt文本里吧。其實主要的不是學習爬蟲，而是依照這個需求鍛鍊下自己的程式設計能力，最重要的是要有一個清晰的思路（我在以這個目標努力著）。ok，主旨已經訂好了，開始‘擼串’了。
目標網站：http://bohaishibei.com/post/category/main/（一個很有趣的網站，一段話配一個圖，老有意思了～）網站形式如下：
目標：把大的目標分為幾個小的目標。因為第一次幹這個，所以對自己能力很清楚，所以完成順序由簡單到複雜。
1.爬取一期的內容，包括標題，和圖片的url
2.把資料存在本地的txt檔案中
3.想爬多少就爬就爬少
4.寫一個網站，展示一下。（純用於學習）
Let‘s 搞定它!
時間——9:14
把昨天晚上做的事情交代一下。昨天晚上寫的程式碼實現了爬取一期裡的所有標題。
第一步：
我用的是google瀏覽器，進入開發者模式，使用’頁面內的元素選擇器‘，先看一下內頁中的結構，找到我們要的資料所在’標籤‘。
這裡我們需要的博海拾貝一期的內容全部在<article class="article-content">這個標籤裡面，如下圖：
第一條紅線是：頁面內的元素選擇器
第二條是：內容所在標籤
第三條是：title
經過分析得出，我只要<article class="article-content">，這個標籤的內容：所以寫了下面的方法：
def content(html): # 內容分割的標籤 str = '<article class="article-content">' content = html.partition(str)[2] str1 = '<div class="article-social">' content = content.partition(str1)[0] return content # 得到網頁的內容
這裡需要說一下：在寫這個爬蟲之前我就打算只用字串的內建函式來處理匹配問題，所以我就上http://www.w3cschool.cc/python/進入到字串頁面，大致看了一遍字串的內建函式有哪些。
partition() 方法用來根據指定的分隔符將字串進行分割。
如果字串包含指定的分隔符，則返回一個3元的元組，第一個為分隔符左邊的子串，第二個為分隔符本身，第三個為分隔符右邊的子串。
partition() 方法是在2.5版中新增的。參考：http://www.w3cschool.cc/python/att-string-partition.html
這樣我就得到只有內容的字串了，乾淨～
第二步：
得到title的內容。title的格式如下，我只要’【2】‘後面的文字，後面的img暫時不考慮一步步的來。
<p>【2】這是我最近的狀態，請告訴我不是我一個人！</p><p><img src=http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8ifthnj30an0aot8w.jpg /></p><p>
我寫了下面的方法：
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這裡用try....except是因為我不知道怎麼跳出迴圈。。。。求大神有更好的方法告訴我。
我這裡跳出迴圈用的是當丟擲VlaueError異常就說明找不到了，那就返回列表。就跳出迴圈了。
num1是】的位置，num2是</p>的位置，然後用序列的切片，咔嚓咔嚓一下就是我想要的資料了。這裡需要注意的是：切片’要頭不要尾‘所以我們的得到的資料就是這個樣子的：
哎呀，這個是什麼鬼！要頭不要尾就是這個意思！
然後我就想：那就把num1加1不就完了嗎？我真是太天真了。。。。
請+3，我覺得原理是這樣的，這個是個中文字元！（求大神指點）
第三步：
交代清楚我昨天晚上做的事情了，記錄下時間——10:01，下面我要爬圖片的url了。這裡要說一下，如果要把圖片下下來，最重要的一步就是得到url，然後下載下來儲存到本地(用文字的IO)。
我先獲得url，實現原理同獲取title，我在想，既然一樣解除安裝獲取title的方法裡好，還是在寫一個方法好。我單獨寫了一個方法，但是其實就是複製了一下title的方法，改了下匹配的字串，程式碼如下：
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結果圖如下：
這裡發現，有的時候一個title會有很多個圖片。我思考之後有如下思路：
1.需要寫一個方法，當一個title出現多個圖片的時候，捕獲url。這個需要有一個判斷語句，當url長度大於一個url長度的時候，才需要呼叫這個函式。
2.多個圖片的url怎麼放？使用符號隔開存放還是巢狀放入一個數組裡面？我這裡打算用’|‘隔開，這樣的話加一個判語句，或者先判斷一下url長度，都可以進行。
這個問題先放在這裡，因為當我要下載的時候這個url才需要過濾，所以先進行下一步，把資料存到本地txt文中，這裡在解決這個問題也不晚。
第四步：
把資料存到本地的txt中。Python檔案IO參考資料：http://www.w3cschool.cc/python/python-files-io.html
這裡需要注意的是，文字寫入的時候記得close，還有就是注意開啟文字的模式。
時間——11：05 吃個飯先
時間——11：44 回來了
這裡我考慮了一個問題，根據《編寫高質量程式碼——改善python程式的91個建議》這本書中寫道的，字串連線時，用jion()效率高於’+‘
所以我寫了如下程式碼：
def data_out(data): #這裡寫成一個方法好處是，在寫入文字的時候就在這裡寫
fo = open("/home/qq/data.txt", "a+") #這裡注意重新寫一個地址 #for i,e in enumerate(data):
fo.write("n".join(data));
#print '第%d個，title：%s' % (i,e)
# 關閉開啟的檔案
fo.close()這樣造成了一個問題，看圖
造成最後一個和新的一個列表寫入時在同一行。同時用with....as更好。修改後程式碼如下：
def data_out(data): #寫入文字
with open("/home/qq/foo.txt", "a+") as fo:
fo.write('n')
fo.write("n".join(data)); 下面研究title和img以什麼樣的格式存入txt文字：
title$img
這裡我有一個概念混淆了，+和join()方法的效率問題主要在連線多個字串的時候，我這個只用連線一次，不需要考慮這個問題。
def data_out(title, img): #寫入文字
with open("/home/qq/foo.txt", "a+") as fo:
fo.write('n')
size = 0
for size in range(0, len(title)):
fo.write(title[size]+'$'+img[size]+'n'); 文字中的內容如下：
願你貪吃不胖，願你懶惰不醜，願你深情不被辜負。$http://ww1.sinaimg.cn/mw690/005CfBldtw1etay8dl1bsj30c50cbq4m.jpg" 這是我最近的狀態，請告訴我不是我一個人！$http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8ifthnj30an0aot8w.jpg
引誘別人和你擊拳慶祝，然後偷偷把手勢變成二，就可以合體成為蝸牛cosplay……$http://ww2.sinaimg.cn/mw690/005CfBldtw1etay8fzm1sg30b40644qq.gif
原來蝸牛是醬紫吃東西的。。。。漲姿勢！$http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8egg8vg30bo08ax6p.gif 寫入文字的最後，解決多個圖片的問題：
def many_img(data,beg = 0): #用於匹配多圖中的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]+'|' # 多個圖片的url用"|"隔開
beg = src2 except ValueError: return many_img_str
def data_out(title, img): #寫入文字
with open("/home/qq/data.txt", "a+") as fo:
fo.write('n') for size in range(0, len(title)): # 判斷img[size]中存在的是不是一個url
if len(img[size]) > 70:
img[size] = many_img(img[size])# 呼叫many_img()方法
fo.write(title[size]+'$'+img[size]+'n') 輸出如下：
元氣少女陳意涵 by @TopFashionStyle$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|暫時功能是實現了，後面遇到問題需要修改在改吧。。。。新手走一步看一步！！！
到此為止，已經完成了前兩個簡單的計劃： 1.爬取一期的內容，包括標題，和圖片的url 2.把資料存在本地的txt檔案中
全部程式碼如下：
#coding:utf-8import urllib#######爬蟲v0.1 利用urlib 和 字串內建函式######def getHtml(url): # 獲取網頁內容
page = urllib.urlopen(url)
html = page.read() return htmldef content(html): # 內容分割的標籤
str = '<article class="article-content">'
content = html.partition(str)[2]
str1 = '<div class="article-social">'
content = content.partition(str1)[0] return content # 得到網頁的內容
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): # 匹配圖片的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_listdef many_img(data,beg = 0): #用於匹配多圖中的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]+'|' # 多個圖片的url用"|"隔開
beg = src2 except ValueError: return many_img_str
def data_out(title, img): #寫入文字
with open("/home/qq/data.txt", "a+") as fo:
fo.write('n') for size in range(0, len(title)): # 判斷img[size]中存在的是不是一個url
if len(img[size]) > 70:
img[size] = many_img(img[size])# 呼叫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)# 實現了爬的單個頁面的title和img的url並存入文字時間——15：14
下面要重新分析網站，我已經可以獲得一期的內容了，我現在要得到，其它期的url，這樣就想爬多少就爬多少了。
目標網址：http://bohaishibei.com/post/category/main/
按照上面的方法進入開發者模式分析網站結構，找出目標資料所在的標籤，擼它！
在首頁中需要的資料全部都在<div class="content">標籤裡，分隔方法如下：
def main_content(html):# 首頁內容分割的標籤
str = '<div class="content">'
content = html.partition(str)[2]
str1 = '</div>'
content = content.partition(str1)[0] return content # 得到網頁的內容我暫時需要的資料：每一期的名字和每一期的url。
經過我的分析：該網站的每期的url格式是這樣的："http://bohaishibei.com/post/10189/"只有數字是變化的。
後來我又發現，我想要的這兩個資料都在<h2>這個標籤下面，獲取每期url的方法如下：
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 title的格式，
我思考了一下，我要title其實沒什麼太大的意思，使用者有不可能說我要看那期，只需要輸入看多少期就可以了，標題沒有什麼實際意義（不像內容中的title是幫助理解改張圖笑點的）。所以我打算在這個版本中只實現，你輸入想檢視要多少期，就返回多少期！
那麼下面就需要一個策略了：
http://bohaishibei.com/post/category/main/ 共20期
http://bohaishibei.com/post/category/main/page/2/ 共20期
......
經檢視，每頁都是20期
當你要檢視的期數，超過20期的時候需要，增加page的數值，進入下一頁進行獲取
最後一頁為這個:http://bohaishibei.com/post/category/main/page/48/
實現程式碼，這個我要想一想怎麼寫，我是第一次寫爬蟲，不要嘲諷我啊！
時間——17：09
感覺快實現了，還在寫：
def get_order(num):
page = num / 20
order = num % 20 # 超出一整頁的條目
for i in range(1, page+1): # 需這裡需要尾巴
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條" % order
get_order(55) 執行結果：
http://bohaishibei.com/post/category/main/page/1http://bohaishibei.com/post/category/main/page/2http://bohaishibei.com/post/category/main/page/3,15條2
~~~~~~~~~~~~
15這裡我考慮是這樣的我需要重寫 page_url，需要多加一個引數，如下：
# 新增一個引數order，預設為20def 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 下面這個方法是傳入引數num（需要多少期），一頁20期，返回每一期的url，程式碼如下：
def get_order(num):# num代表獲取的條目數量
url_list = []
page = num / 20
order = num % 20 # 超出一整頁的條目
if num < 20: # 如果獲取的條目數量少於20（一頁20個），直接爬取第一頁的num條
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): # 需這裡需要尾巴
url = 'http://bohaishibei.com/post/category/main/page/%d' % i # 爬取整頁的條目
main_html = getHtml(url)
clean_content = main_content(main_html)
url_list = url_list + page_url(clean_content) #獲取整夜
if (i == page)&(order > 0): # 爬到最後一頁，如果有超出一頁的條目則繼續怕order條
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下面開始gogogo
order = get_order(21)for i in range(0, len(order)): #這個遍歷列表太醜了，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)ok了所有的程式碼都寫完了
完整的程式碼我已經上傳到我的github上了，地址為：https://github.com/521xueweihan/PySpider/blob/master/Spider.py
這裡我在測試的時候有bug，因為該網站上有時候有的地方沒有img的地址。如下圖
我的程式碼也就跟著出問題了，因為我的title和img列表數量不一了，而列表長度我是以title的len()為準，結果就出現超出範圍了。
這裡記錄一下，然後我要去除bug了。
ok啦，bug消除了。我改了img的匹配方法如下：
def get_img(content,beg = 0): # 匹配圖片的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 # 這樣寫就可以匹配src="/"
src2 = content.index('/></p>',src1)
img_list.append(content[src1:src2])
beg = src2
except ValueError: return img_list主函式：
order = get_order(30) # get_order方法接受引數，抓取多少期的資料for i in order: # 遍歷列表的方法
html = getHtml(i)
content_data = content(html)
title_data = title(content_data)
img_data = get_img(content_data)
data_out(title_data, img_data)爬下來的資料：
data.txt屬性（共30期的資料）：
終於寫完了！
開始時間——9:14
寫爬蟲，吃飯，洗澡，休息了一會。
結束時間——21：02
呼，沒有半途而廢就知足了，感覺這樣把寫爬蟲的流程走了一遍下次再寫的話會快一些吧。
總結：
整個過程，純手寫，沒有參考別人的程式碼。這一點可以贊一下。
這次寫爬蟲就是強制自己不用正則表示式，和XPATH，發現有很多地方，用這兩個會很方便。這讓我下定決心去學正則表示式和Xpath，哈哈。體會過才有深有感觸。
下一個目標是學習正則表示式和Xpath。一點點來，當我學完就來寫爬蟲v2.0，逐步完善吧，如果上來就要寫難得，我的智商著急啊！
然後多看看別人的爬蟲，學習別人厲害的地方，提高自己。