本港台节目,杜兰特10佳球高清,挠脚心网站
python爬虫案例——csdn数据采集
通过python实现csdn页面的内容采集是相对来说比较容易的，因为csdn不需要登陆，不需要cookie，也不需要设置header
python2.7下
我要评论
#coding:utf-8
#本实例用于获取指定用户csdn的文章名称、连接、阅读数目
import urllib2
import re
from bs4 import BeautifulSoup
#csdn不需要登陆，也不需要cookie,也不需要设置header
print('=======================csdn数据挖掘==========================')
urlstr="http://blog.csdn.net/luanpeng825485697?viewmode=contents"
host = "http://blog.csdn.net/luanpeng825485697" #根目录
alllink=[urlstr] #所有需要遍历的网址
data={}
def getdata(html,reg): #从字符串中安装正则表达式获取值
pattern = re.compile(reg)
items = re.findall(pattern, html)
for item in items:
urlpath = urllib2.urlparse.urljoin(urlstr,item[0]) #将相对地址，转化为绝对地址
if not hasattr(object, urlpath):
data[urlpath] = item
print urlpath,' ', #print最后有个逗号，表示输出不换行
print item[2], ' ',
print item[1]
#根据一个网址获取相关连接并添加到集合中
def getlink(url,html):
soup = BeautifulSoup(html,'html.parser') #使用html5lib解析，所以需要提前安装好html5lib包
for tag in soup.find_all('a'): #从文档中找到所有标签的内容
link = tag.get('href')
newurl = urllib2.urlparse.urljoin(url, link) #在指定网址中的连接的绝对连接
if host not in newurl: # 如果是站外连接，则放弃
continue
if newurl in alllink: #不添加已经存在的网址
continue
if not "http://blog.csdn.net/luanpeng825485697/article/list" in newurl: #自定义添加一些链接限制
continue
alllink.append(newurl) #将地址添加到链接集合中
#根据一个网址，获取该网址中符合指定正则表达式的内容
def craw(url):
try:
request = urllib2.Request(url) #创建一个请求
response = urllib2.urlopen(request) #获取响应
html = response.read() #读取返回html源码
# reg = r'"link_title">\r\nhttp://blog.csdn.net/luanpeng825485697/article/details/(.*)\n.*' #只匹配文章地址和名称
reg = r'"link_title">\r\n http://blog.csdn.net/luanpeng825485697/article/details/(.*) \r\n.*[\s\S]*?阅读\(http://blog.csdn.net/luanpeng825485697/article/details/(.*)\)' # 匹配地址、名称、阅读数目
getdata(html,reg)
getlink(url,html)
except urllib2.URLError, e:
if hasattr(e,"code"):
print e.code
if hasattr(e,"reason"):
print e.reason
for url in alllink:
craw(url)
如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复
新手学习Python2和Python3中print不同的用法
Python基于os.environ从windows获取环境变量
网友评论