python爬取簡書網文章的方法

這篇文章主要介紹python爬取簡書網文章的方法，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

python爬取簡書網文章的步驟：

1、準備工作，創建scrapy爬蟲，建立數據庫和表

# 打開 CMD 或者終端到一個指定目錄
# 新建一個項目
scrapy startproject jianshu_spider
cd jianshu_spider
# 創建一個爬蟲
scrapy genspider -t crawl jianshu "jianshu.com"

2、爬取思路，檢查網頁的所有href屬性，獲取文章鏈接地址

3、代碼實現，解析主頁網址獲取文章鏈接，構建item模型保存數據，將獲取的數據保存到數據庫中

第一步是指定開始爬取的地址和爬取規則。

allowed_domains = ['jianshu.com'] 
start_urls = ['https://www.jianshu.com/']  
rules = (        # 文章id是有12位小寫字母或者數字0-9構成        
Rule(LinkExtractor(allow=r'.*/p/[0-9a-z]{12}.*'), callback='parse_detail', follow=True),    )

第二步是拿到下載器下載后的數據 Response，利用 Xpath 語法獲取有用的數據。這里可以使用「 Scrapy shell url 」去測試數據是否獲取正確。

# 獲取需要的數據 

title = response.xpath('//h2[@class="title"]/text()').get() 
author = response.xpath('//div[@class="info"]/span/a/text()').get() 
avatar = self.HTTPS + response.xpath('//div[@class="author"]/a/img/@src').get() 
pub_time = response.xpath('//span[@class="publish-time"]/text()').get().replace("*", "")
current_url = response.url real_url = current_url.split(r"?")[0] 
article_id = real_url.split(r'/')[-1] 
content = response.xpath('//div[@class="show-content"]').get()

然后構建 Item 模型用來保存數據。

import scrapy
# 文章詳情Itemclass ArticleItem(scrapy.Item):    
title = scrapy.Field()    
content = scrapy.Field()    
# 文章id   
article_id = scrapy.Field()   
# 原始的url  
origin_url = scrapy.Field()    
# 作者    
author = scrapy.Field()    
# 頭像    
avatar = scrapy.Field()    
# 發布時間    
pubtime = scrapy.Field()

第三步是將獲取的數據通過 Pipline 保存到數據庫中。

# 數據庫連接屬性
db_params = {            
'host': '127.0.0.1',            
'port': 3306,            
'user': 'root',          
'password': 'root',         
 'database': 'jianshu',          
'charset': 'utf8'
}
# 數據庫【連接對象】
self.conn = pymysql.connect(**db_params)

# 執行 sql 語句
self.cursor.execute(self._sql,(item['title'],item['content'],item['author'],item['avatar'],item['pubtime'],item['article_id'],item['origin_url']))
# 插入到數據庫中
self.conn.commit()
# 關閉游標資源
self.cursor.close()

執行結果如下：

以上是python爬取簡書網文章的方法的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業資訊頻道！