Python如何爬取51cto資料並存入MySQL
阿新 • • 發佈:2020-08-28
實驗環境
1.安裝Python 3.7
2.安裝requests,bs4,pymysql 模組
實驗步驟1.安裝環境及模組
可參考https://www.jb51.net/article/194104.htm
2.編寫程式碼
# 51cto 部落格頁面資料插入mysql資料庫 # 匯入模組 import re import bs4 import pymysql import requests # 連線資料庫賬號密碼 db = pymysql.connect(host='172.171.13.229',user='root',passwd='abc123',db='test',port=3306,charset='utf8') # 獲取遊標 cursor = db.cursor() def open_url(url): # 連線模擬網頁訪問 headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML,like Gecko) ' 'Chrome/57.0.2987.98 Safari/537.36'} res = requests.get(url,headers=headers) return res # 爬取網頁內容 def find_text(res): soup = bs4.BeautifulSoup(res.text,'html.parser') # 部落格名 titles = [] targets = soup.find_all("a",class_="tit") for each in targets: each = each.text.strip() if "置頂" in each: each = each.split(' ')[0] titles.append(each) # 閱讀量 reads = [] read1 = soup.find_all("p",class_="read fl on") read2 = soup.find_all("p",class_="read fl") for each in read1: reads.append(each.text) for each in read2: reads.append(each.text) # 評論數 comment = [] targets = soup.find_all("p",class_='comment fl') for each in targets: comment.append(each.text) # 收藏 collects = [] targets = soup.find_all("p",class_='collect fl') for each in targets: collects.append(each.text) # 釋出時間 dates=[] targets = soup.find_all("a",class_='time fl') for each in targets: each = each.text.split(':')[1] dates.append(each) # 插入sql 語句 sql = """insert into blog (blog_title,read_number,comment_number,collect,dates) values( '%s','%s','%s');""" # 替換頁面 \xa0 for titles,reads,comment,collects,dates in zip(titles,dates): reads = re.sub('\s','',reads) comment = re.sub('\s',comment) collects = re.sub('\s',collects) cursor.execute(sql % (titles,collects,dates)) db.commit() pass # 統計總頁數 def find_depth(res): soup = bs4.BeautifulSoup(res.text,'html.parser') depth = soup.find('li',class_='next').previous_sibling.previous_sibling.text return int(depth) # 主函式 def main(): host = "https://blog.51cto.com/13760351" res = open_url(host) # 開啟首頁連結 depth = find_depth(res) # 獲取總頁數 # 爬取其他頁面資訊 for i in range(1,depth + 1): url = host + '/p' + str(i) # 完整連結 res = open_url(url) # 開啟其他連結 find_text(res) # 爬取資料 # 關閉遊標 cursor.close() # 關閉資料庫連線 db.close() if __name__ == '__main__': main()
3..MySQL建立對應的表
CREATE TABLE `blog` ( `row_id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主鍵',`blog_title` varchar(52) DEFAULT NULL COMMENT '部落格標題',`read_number` varchar(26) DEFAULT NULL COMMENT '閱讀數量',`comment_number` varchar(16) DEFAULT NULL COMMENT '評論數量',`collect` varchar(16) DEFAULT NULL COMMENT '收藏數量',`dates` varchar(16) DEFAULT NULL COMMENT '釋出日期',PRIMARY KEY (`row_id`) ) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;
4.執行程式碼,檢視效果:
改進版:
改進內容:
1.資料庫裡面的某些欄位只保留數字即可
2.預設爬取的內容都是字串,存放資料庫的某些欄位,最好改為整型,方便後面資料庫操作
1.程式碼如下:
import re import bs4 import pymysql import requests # 連線資料庫 db = pymysql.connect(host='172.171.13.229','html.parser') # 部落格標題 titles = [] targets = soup.find_all("a",class_='collect fl') for each in targets: collects.append(each.text) # 釋出時間 dates=[] targets = soup.find_all("a",class_='time fl') for each in targets: each = each.text.split(':')[1] dates.append(each) # 插入sql 語句 sql = """insert into blogs (blog_title,reads) reads=int(re.sub('\D',"",reads)) #匹配數字,轉換為整型 comment = re.sub('\s',comment) comment = int(re.sub('\D',comment)) #匹配數字,轉換為整型 collects = re.sub('\s',collects) collects = int(re.sub('\D',collects)) #匹配數字,轉換為整型 dates = re.sub('\s',dates) cursor.execute(sql % (titles,dates)) db.commit() pass # 統計總頁數 def find_depth(res): soup = bs4.BeautifulSoup(res.text,depth + 1): url = host + '/p' + str(i) # 完整連結 res = open_url(url) # 開啟其他連結 find_text(res) # 爬取資料 # 關閉遊標 cursor.close() # 關閉資料庫連線 db.close() #主程式入口 if __name__ == '__main__': main()
2.建立對應表
CREATE TABLE `blogs` ( `row_id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主鍵',`read_number` int(26) DEFAULT NULL COMMENT '閱讀數量',`comment_number` int(16) DEFAULT NULL COMMENT '評論數量',`collect` int(16) DEFAULT NULL COMMENT '收藏數量',PRIMARY KEY (`row_id`) ) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;
3.執行程式碼,驗證
升級版
為了能讓小白就可以使用這個程式,可以把這個專案打包成exe格式的檔案,讓其他人,使用電腦就可以執行程式碼,這樣非常方便!
1.改進程式碼:
#末尾修改為: if __name__ == '__main__': main() print("\n\t\t所有資料已成功存放資料庫!!! \n") time.sleep(5)
2.安裝打包模組pyinstaller(cmd安裝)
pip install pyinstaller -i https://pypi.tuna.tsinghua.edu.cn/simple/
3.Python程式碼打包
1.切換到需要打包程式碼的路徑下面
2.在cmd視窗執行 pyinstaller -F test03.py (test03為專案名稱)
4.檢視exe包
在打包後會出現dist目錄,打好包就在這個目錄裡面
5.執行exe包,檢視效果
檢查資料庫
總結:
1.這一篇部落格,是在上一篇的基礎上改進的,步驟是先爬取首頁的資訊,再爬取其他頁面資訊,最後在改進細節,打包exe檔案
2.我們爬取網頁資料大多數還是存放到資料庫的,所以這種方法很實用。
3.其實在此部落格的基礎上還是可以改進的,重要的是掌握方法即可。
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支援我們。