Python爬虫入门教程40-100博客园Python相关40W博客抓取scrapy

爬前叨叨

第40篇博客吹响号角，爬取博客园博客~本文最终抓取到了从2010年1月1日到2019年1月7日的37W+文章，后面可以分析好多东西了呢

经常看博客的同志知道，博客园每个栏目下面有200页，多了的数据他就不显示了，最多显示4000篇博客如何尽可能多的得到博客数据，是这篇文章研究的一点点核心内容，能√get到多少就看你的了~

单纯的从每个栏目去爬取是不显示的，转换一下思路，看到搜索页面，有时间~，有时间！

注意看URL链接

https://zzk.cnblogs.com/s/blogpost?Keywords=python&datetimerange=Customer&from=2019-01-01&to=2019-01-01  

这个链接得到之后，其实用一个比较简单的思路就可以获取到所有python相关的文章了，迭代时间。
下面编写核心代码，比较重要的几个点，我单独提炼出来。

1. 页面搜索的时候因为加了验证，所以你必须要获取到你本地的cookie，这个你很容易得到
2. 字典生成器的语法是时候去复习一下了

import scrapyfrom scrapy import Request,Selectorimport timeimport datetimeclass BlogsSpider(scrapy.Spider):    name = 'Blogs'    allowed_domains = ['zzk.cnblogs.com']    start_urls = ['http://zzk.cnblogs.com/']    from_time = "2010-01-01"    end_time = "2010-01-01"    keywords = "python"    page =1    url = "https://zzk.cnblogs.com/s/blogpost?Keywords={keywords}&datetimerange=Customer&from={from_time}&to={end_time}&pageindex={page}"    custom_settings = {        "DEFAULT_REQUEST_HEADERS":{            "HOST":"zzk.cnblogs.com",            "TE":"Trailers",            "referer": "https://zzk.cnblogs.com/s/blogpost?w=python",            "upgrade-insecure-requests": "1",            "user-agent": "Mozilla/5.0 Gecko/20100101 Firefox/64.0"        }    }    def start_requests(self):        cookie_str = "想办法自己获取到"        self.cookies = {item.split("=")[0]: item.split("=")[1] for item in cookie_str.split("; ")}        yield Request(self.url.format(keywords=self.keywords,from_time=self.from_time,end_time=self.end_time,page=self.page),cookies=self.cookies,callback=self.parse)

页面爬取完毕之后，需要进行解析，获取翻页页码，同时将时间+1天，下面的代码重点看时间叠加部分的操作。

    def parse(self, response):        print("正在爬取",response.url)        count = int(response.css('#CountOfResults::text').extract_first()) # 获取是否有数据        if count>0:            for page in range(1,int(count/10)+2):                # 抓取详细数据                yield Request(self.url.format(keywords=self.keywords,from_time=self.from_time,end_time=self.end_time,page=page),cookies=self.cookies,callback=self.parse_detail,dont_filter=True)        time.sleep(2)        # 跳转下一个日期        d = datetime.datetime.strptime(self.from_time, '%Y-%m-%d')        delta = datetime.timedelta(days=1)        d = d + delta        self.from_time = d.strftime('%Y-%m-%d')        self.end_time =self.from_time        yield Request(            self.url.format(keywords=self.keywords, from_time=self.from_time, end_time=self.end_time, page=self.page),            cookies=self.cookies, callback=self.parse, dont_filter=True)

页面解析入库

本部分操作逻辑没有复杂点，只需要按照流程编写即可，运行代码，跑起来，在mongodb等待一些时间

db.getCollection('dict').count({}) 

返回

372352条数据

    def parse_detail(self,response):        items = response.xpath('//div[@class="searchItem"]')        for item in items:            title = item.xpath('h3[@class="searchItemTitle"]/a//text()').extract()            title = "".join(title)            author = item.xpath(".//span[@class='searchItemInfo-userName']/a/text()").extract_first()            public_date = item.xpath(".//span[@class='searchItemInfo-publishDate']/text()").extract_first()            pv = item.xpath(".//span[@class='searchItemInfo-views']/text()").extract_first()            if pv:                pv = pv[3:-1]            url = item.xpath(".//span[@class='searchURL']/text()").extract_first()            #print(title,author,public_date,pv)            yield {                "title":title,                "author":author,                "public_date":public_date,                "pv":pv,                "url":url            }

数据入库

一顿操作猛如虎，数据就到手了~后面可以做一些简单的数据分析，那篇博客再见啦@