[python爬蟲] Selenium爬取內容並存儲至MySQL資料庫
阿新 • • 發佈：2019-01-04
前面我通過一篇文章講述瞭如何爬取CSDN的部落格摘要等資訊。通常，在使用Selenium爬蟲爬取資料後，需要儲存在TXT文字中，但是這是很難進行資料處理和資料分析的。這篇文章主要講述通過Selenium爬取我的個人部落格資訊，然後儲存在資料庫MySQL中，以便對資料進行分析，比如分析哪個時間段發表的部落格多、結合WordCloud分析文章的主題、文章閱讀量排名等。
這是一篇基礎性的文章，希望對您有所幫助，如果文章中出現錯誤或不足之處，還請海涵。下一篇文章會簡單講解資料分析的過程。
一. 爬取的結果
爬取並存儲至MySQL資料庫的結果如下所示：
執行過程如下圖所示：
二. 完整程式碼分析
完整程式碼如下所示：
# coding=utf-8 from selenium import webdriver from selenium.webdriver.common.keys import Keys import selenium.webdriver.support.ui as ui import re import time import os import codecs import MySQLdb #開啟Firefox瀏覽器 設定等待載入時間 driver = webdriver.Firefox() wait = ui.WebDriverWait(driver,10) #獲取每個博主的部落格頁面低端總頁碼 def getPage(): print 'getPage' number = 0 texts = driver.find_element_by_xpath("//div[@id='papelist']").text print '頁碼', texts m = re.findall(r'(\w*[0-9]+)\w*',texts) #正則表示式尋找數字 print '頁數：' + str(m[1]) return int(m[1]) #主函式 def main(): #獲取txt檔案總行數 count = len(open("Blog_URL.txt",'rU').readlines()) print count n = 0 urlfile = open("Blog_URL.txt",'r') #迴圈獲取每個博主的文章摘資訊 while n < count: #這裡爬取2個人部落格資訊，正常情況count個博主資訊 url = urlfile.readline() url = url.strip("\n") print url driver.get(url) #獲取總頁碼 allPage = getPage() print u'頁碼總數為:', allPage time.sleep(2) #資料庫操作結合 try: conn=MySQLdb.connect(host='localhost',user='root', passwd='123456',port=3306, db='test01') cur=conn.cursor() #資料庫遊標 #報錯:UnicodeEncodeError: 'latin-1' codec can't encode character conn.set_character_set('utf8') cur.execute('SET NAMES utf8;') cur.execute('SET CHARACTER SET utf8;') cur.execute('SET character_set_connection=utf8;') #具體內容處理 m = 1 #第1頁 while m <= allPage: ur = url + "/article/list/" + str(m) print ur driver.get(ur) #標題 article_title = driver.find_elements_by_xpath("//div[@class='article_title']") for title in article_title: #print url con = title.text con = con.strip("\n") #print con + '\n' #摘要 article_description = driver.find_elements_by_xpath("//div[@class='article_description']") for description in article_description: con = description.text con = con.strip("\n") #print con + '\n' #資訊 article_manage = driver.find_elements_by_xpath("//div[@class='article_manage']") for manage in article_manage: con = manage.text con = con.strip("\n") #print con + '\n' num = 0 print u'長度', len(article_title) while num < len(article_title): #插入資料 8個值 sql = '''insert into csdn_blog (URL,Author,Artitle,Description,Manage,FBTime,YDNum,PLNum) values(%s, %s, %s, %s, %s, %s, %s, %s)''' Artitle = article_title[num].text Description = article_description[num].text Manage = article_manage[num].text print Artitle print Description print Manage #獲取作者 Author = url.split('/')[-1] #獲取閱讀數和評論數 mode = re.compile(r'\d+\.?\d*') YDNum = mode.findall(Manage)[-2] PLNum = mode.findall(Manage)[-1] print YDNum print PLNum #獲取釋出時間 end = Manage.find(u' 閱讀') FBTime = Manage[:end] cur.execute(sql, (url, Author, Artitle, Description, Manage,FBTime,YDNum,PLNum)) num = num + 1 else: print u'資料庫插入成功' m = m + 1 #異常處理 except MySQLdb.Error,e: print "Mysql Error %d: %s" % (e.args[0], e.args[1]) finally: cur.close() conn.commit() conn.close() n = n + 1 else: urlfile.close() print 'Load Over' main()
在Blog_Url.txt檔案中放置需要爬取使用者的部落格地址URL，如下圖所示。注意在此處，作者預先寫了個爬取CSDN所有專家的URL程式碼，這裡為訪問其他人用於提升閱讀量已省略。
分析過程如下所示。
1.獲取博主總頁碼
首先從Blog_Url.txt讀取博主地址，然後訪問並獲取頁碼總數。程式碼如下：
比如獲取總頁碼位17頁，如下圖所示：#獲取每個博主的部落格頁面低端總頁碼 def getPage(): print 'getPage' number = 0 texts = driver.find_element_by_xpath("//div[@id='papelist']").text print '頁碼', texts m = re.findall(r'(\w*[0-9]+)\w*',texts) #正則表示式尋找數字 print '頁數：' + str(m[1]) return int(m[1])
2.翻頁DOM樹分析
這裡的部落格翻頁採用的是URL連線，比較方便。
如：http://blog.csdn.net/Eastmount/article/list/2
故只需要 ：1.獲取總頁碼；2.爬取每頁資訊；3.URL設定進行迴圈翻頁；4.再爬取。
也可以採用點選"下頁"跳轉，沒有"下頁"停止跳轉，爬蟲結束，接著爬取下一個博主。
3.獲取詳細資訊：標題、摘要、時間
然後審查元素分析每個部落格頁面，如果採用BeautifulSoup爬取會報錯"Forbidden"。
發現每篇文章都是由一個<div></div>組成，如下所示，只需要定位到該位置即可。
這裡定位到該位置即可爬取，這裡需要分別定位標題、摘要、時間。
程式碼如下所示。注意，在while中同時獲取三個值，它們是對應的。
#標題
article_title = driver.find_elements_by_xpath("//div[@class='article_title']")
for title in article_title:
con = title.text
con = con.strip("\n")
print con + '\n'
#摘要
article_description = driver.find_elements_by_xpath("//div[@class='article_description']")
for description in article_description:
con = description.text
con = con.strip("\n")
print con + '\n'
#資訊
article_manage = driver.find_elements_by_xpath("//div[@class='article_manage']")
for manage in article_manage:
con = manage.text
con = con.strip("\n")
print con + '\n'
num = 0
print u'長度', len(article_title)
while num < len(article_title):
Artitle = article_title[num].text
Description = article_description[num].text
Manage = article_manage[num].text
print Artitle, Description, Manage4.特殊字串處理
獲取URL最後一個/後的博主名稱、獲取字串時間、閱讀數程式碼如下：
#獲取博主姓名
url = "http://blog.csdn.net/Eastmount"
print url.split('/')[-1]
#輸出: Eastmount
#獲取數字
name = "2015-09-08 18:06 閱讀(909) 評論(0)"
print name
import re
mode = re.compile(r'\d+\.?\d*')
print mode.findall(name)
#輸出: ['2015', '09', '08', '18', '06', '909', '0']
print mode.findall(name)[-2]
#輸出: 909
#獲取時間
end = name.find(r' 閱讀')
print name[:end]
#輸出: 2015-09-08 18:06
import time, datetime
a = time.strptime(name[:end],'%Y-%m-%d %H:%M')
print a
#輸出: time.struct_time(tm_year=2015, tm_mon=9, tm_mday=8, tm_hour=18, tm_min=6,
# tm_sec=0, tm_wday=1, tm_yday=251, tm_isdst=-1)三. 資料庫相關操作
SQL語句建立表程式碼如下：
CREATE TABLE `csdn` (
`ID` int(11) NOT NULL AUTO_INCREMENT,
`URL` varchar(100) COLLATE utf8_bin DEFAULT NULL,
`Author` varchar(50) COLLATE utf8_bin DEFAULT NULL COMMENT '作者',
`Artitle` varchar(100) COLLATE utf8_bin DEFAULT NULL COMMENT '標題',
`Description` varchar(400) COLLATE utf8_bin DEFAULT NULL COMMENT '摘要',
`Manage` varchar(100) COLLATE utf8_bin DEFAULT NULL COMMENT '資訊',
`FBTime` datetime DEFAULT NULL COMMENT '釋出日期',
`YDNum` int(11) DEFAULT NULL COMMENT '閱讀數',
`PLNum` int(11) DEFAULT NULL COMMENT '評論數',
`DZNum` int(11) DEFAULT NULL COMMENT '點贊數',
PRIMARY KEY (`ID`)
) ENGINE=InnoDB AUTO_INCREMENT=9371 DEFAULT CHARSET=utf8 COLLATE=utf8_bin;
# coding:utf-8
import MySQLdb
try:
conn=MySQLdb.connect(host='localhost',user='root',passwd='123456',port=3306, db='test01')
cur=conn.cursor()
#插入資料
sql = '''insert into student values(%s, %s, %s)'''
cur.execute(sql, ('yxz','111111', '10'))
#檢視資料
print u'\n插入資料:'
cur.execute('select * from student')
for data in cur.fetchall():
print '%s %s %s' % data
cur.close()
conn.commit()
conn.close()
except MySQLdb.Error,e:
print "Mysql Error %d: %s" % (e.args[0], e.args[1])注意，在下載過程中，有的網站是新版本的，無法獲取頁碼。
比如：http://blog.csdn.net/michaelzhou224
這時需要簡單設定，跳過這些連結，並儲存到檔案中，核心程式碼如下所示：
#獲取每個博主的部落格頁面低端總頁碼
def getPage():
print 'getPage'
number = 0
#texts = driver.find_element_by_xpath("//div[@id='papelist']").text
texts = driver.find_element_by_xpath("//div[@class='pagelist']").text
print 'testsss'
print u'頁碼', texts
if texts=="":
print u'頁碼為0 網站錯誤'
return 0
m = re.findall(r'(\w*[0-9]+)\w*',texts) #正則表示式尋找數字
print u'頁數：' + str(m[1])
return int(m[1])
error = codecs.open("Blog_Error.txt", 'a', 'utf-8')
#迴圈獲取每個博主的文章摘資訊
while n < count: #這裡爬取2個人部落格資訊，正常情況count個博主資訊
url = urlfile.readline()
url = url.strip("\n")
print url
driver.get(url+"/article/list/1")
#print driver.page_source
#獲取總頁碼
allPage = getPage()
print u'頁碼總數為:', allPage
#返回錯誤，否則程式總截住
if allPage==0:
error.write(url + "\r\n")
print u'錯誤URL'
continue; #跳過進入下一個博主
time.sleep(2)
#資料庫操作結合
try:
.....最後希望文章對你有所幫助，如果文章中存在錯誤或不足之處，還請海涵~
提高效率，提升科研，認真教學，娜美人生。
（By:Eastmount 2017-03-13 下午1點半 http://blog.csdn.net/eastmount/）