前言：到周末了，产生一个idea，就是获取个人的全部博客标题及链接，发布时间、浏览量、以及收藏量等数据信息，按访问量排序，整理成一份Excel表存储。
使用时，输入个人博客ID即可，从数据获取到解析存储，用到requests、BeautifulSoup、pandas等三方库，一个完整的Python爬虫实践。
通过分析我的博客列表网页代码，提取出每篇文章的链接。
我的博客列表url为：https://blog.csdn.net/xiaoma_2018/article/list/1?t=1
注意每个人的博客ID会不同，因此本爬虫使用时要求输入个人的博客ID及页码数，以达到通用的功能。
通过分析单篇博客的网页源码，从其中获取文章链接、文章标题、发布时间、浏览量、以及收藏量等数据信息。
本爬虫程序，运行环境说明 PyCharm 2020.1.1、Python 3.7.5
使用到的第三方依赖库如下：
执行：pip freeze > requirements.txt 导出
beautifulsoup4==4.9.1
pandas==1.1.1
requests==2.24.0
代码主要思路是：
为了方便爬取不同的博客ID网页，单独写了入一个配置文件来定义爬虫用到的参数及文件路径参数，config.py 文件如下：
'''
@Author Caso_卡索
@Date 2020-8-30 15:00
@Func 爬虫程序用到的请求头信息及文件路径信息
@File config.py
'''
Host = "blog.csdn.net" # 请求头host参数
User_Agent = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36 Edge/18.18362"
Source = 'html.txt' # 临时保存博客列表html源码
EachSource = 'each.txt' # 临时保存每篇博客html源码
OUTPUT = "博客信息.csv" # 输出博客信息到 csv 文件
其中，User_Agent必须根据自己的浏览器参数配置才能使用，其他参数可默认该配置。
'''
@Author Caso_卡索
@Date 2020-8-25 22:14
@Func Python爬虫CSDN博客文章数据，并写入excel表中
使用 re 模块正则匹配要获取的 url地址
'''
import requests
from bs4 import BeautifulSoup
import pandas as pd
import os
import re
from config import Host, User_Agent, Source, EachSource,OUTPUT
results = [] # 存储全部数据
def parseEachBlog(link):
referer = "Referer: " + link
headers = {"Referer": referer, "User-Agent": User_Agent}
r = requests.post(link, headers=headers)
html = r.text
with open(EachSource, 'w', encoding='UTF-8') as f:
f.write(html)
soup = BeautifulSoup(open(EachSource, 'r', encoding='UTF-8'), features="html.parser")
readcontent = soup.select('.bar-content .read-count')
collection = soup.select('.bar-content .get-collection')
readcounts = re.sub(r'\D', "", str(readcontent[0]))
collections = re.sub(r'\D', "", str(collection[0]))
blogname = soup.select('.title-article')[0].text
time = soup.select('.bar-content .time')[0].text
eachBlog = [blogname, link, readcounts, collections, time]
return eachBlog
def getBlogList(blogID, pages):
listhome = "https://" + Host + "/" + blogID + "/article/list/"
pagenums = [] # 转换后的pages页数
for i in range(1, int(pages)+1):
pagenums.append(str(i))
for number in pagenums:
url = listhome + number + "?t=1"
headers = {"Referer": url, "Host": Host, "User-Agent": User_Agent}
response = requests.post(url, headers=headers)
html = response.text
with open(Source, 'a', encoding='UTF-8') as f:
f.write(html)
# 获取全部博客的链接
soup = BeautifulSoup(open(Source, 'r', encoding='UTF-8'), features="html.parser")
hrefs = []
re_patterm = "^https://blog.csdn.net/" + blogID + "/article/details/\d+$"
for a in soup.find_all('a', href=True):
if a.get_text(strip=True):
href = a['href']
if re.match(re_patterm, href):
if hrefs.count(href) == 0:
hrefs.append(href)
return hrefs
def parseData():
results.sort(key=lambda result:int(result[2]), reverse=True) # 按浏览量排序
dataframe = pd.DataFrame(data=results)
dataframe.columns = ['文章标题', '文章链接', '浏览量', '收藏量', '发布时间']
dataframe.to_csv(OUTPUT, index=False, sep=',')
def delTempFile():
if os.path.exists(Source):
os.remove(Source)
if os.path.exists(EachSource):
os.remove(EachSource)
if __name__ == '__main__':
blogID = input("输入你要爬去的博客名: ")
pages = input("输入博客列表页数: ")
print("获取全部博客链接...")
linklist = getBlogList(blogID, pages)
print("开始获取数据...")
for i in linklist:
print("当前获取: %s"%(i))
results.append(parseEachBlog(i))
print("结束获取数据...")
# 开始解析并存储 .csv 文件
print("开始解析并存储数据...")
parseData()
print("删除临时文件...")
delTempFile()
以我自己的博客ID为例，来展示一下执行的过程及结果，我的博客列表目前两页。
开始执行
结束执行
结果显示
从想法到实现，再到输出这篇博文结束，还是挺好玩，在此总结分享。
完整的爬虫代码上传到了本人Github上，地址如下：ParseCSDNBlog
作者： Caso_卡索
博客: https://blog.csdn.net/xiaoma_2018
版权声明：未经允许，禁止转载喜欢的朋友点赞支持一下，在此感谢…