Python第一个爬虫项目

 

文章目录

• 0x00 文章内容
• 0x01 爬虫博客
• 0x02 简单讲解
• 0xFF 总结

 

0x00 文章内容

1. 爬虫博客
2. 简单讲解

PS：需安装好Python开发环境，前提教程：Python3的安装（Windows），此外，我的编辑器是pycharm，而且，需要学习一些简单的python和HTML基础。

0x01 爬虫博客

1. 爬取网页元素

打开网页，右击，选择 检查 （谷歌浏览器）/按 F12：

2. 完整代码

#!/usr/bin/env python 
# -*- coding:utf-8 -*-
from urllib import request
from pyquery import PyQuery as pq
import json

# 定义需要解析的url
url = ''

# 获取每个item信息并返回
def parse_item(i, e):
    doc = pq(e)
    title = doc('.postTitle2').text()
    titleLink = doc('.postTitle2').attr('href')
    postFoot = doc('.postfoot').text()
    summary = doc('.c_b_p_desc').text()
    result = {
        'title': title,
        'titleLink': titleLink,
        'postFoot': postFoot,
        'summary': summary
    }
    print(json.dumps(result))
    return result

# 获取url的内容
with request.urlopen(url) as response:
    body = response.read()
    doc = pq(body)
    items = doc('#main>.post').map(parse_item)  #1.定义一个空数组，用于储存提取的结果
    with open('kkblog.json', 'wt', encoding="utf-8") as f: # 2.将结果写入JSON文件
        f.write(json.dumps(items, ensure_ascii=False))

3. 执行前准备工作

a. 需要先安装pyQuery依赖（此步骤为后补上，可忽略截图颜色）

4. 执行结果

a. 执行，然后查看查看执行结果

b. 复制到Json数据在线解析界面查看（点击跳转在线解析Json数据）

0x02 简单讲解

1、竟然要爬取网站的内容，应该先清楚爬的是哪里的，所以必须要知道URL。
2、然后，应该清楚网页的内容结构，了解到什么内容对应哪个标签，我们可以先写好，或者把获取URL内容的步骤完成再回来填充，最好是回头再填充。
3、最后获取URL的内容，分析我们要爬取的标签范围，确定是想获取网页里面的哪些信息，然后再遍历出来即可。

0xFF 总结

1. 入门级别案例，爬虫界的HelloWorld，还是单页面版本的，后期会进行升级。

---