python Selenium爬取內(nèi)容并存儲至MySQL數(shù)據(jù)庫的實現(xiàn)代碼

更新時間：2017年03月16日 13:13:54 作者：Eastmount

這篇文章主要介紹了python Selenium爬取內(nèi)容并存儲至MySQL數(shù)據(jù)庫的實現(xiàn)代碼,需要的朋友可以參考下

前面我通過一篇文章講述了如何爬取CSDN的博客摘要等信息。通常，在使用Selenium爬蟲爬取數(shù)據(jù)后，需要存儲在TXT文本中，但是這是很難進行數(shù)據(jù)處理和數(shù)據(jù)分析的。這篇文章主要講述通過Selenium爬取我的個人博客信息，然后存儲在數(shù)據(jù)庫MySQL中，以便對數(shù)據(jù)進行分析，比如分析哪個時間段發(fā)表的博客多、結(jié)合WordCloud分析文章的主題、文章閱讀量排名等。
這是一篇基礎(chǔ)性的文章，希望對您有所幫助，如果文章中出現(xiàn)錯誤或不足之處，還請海涵。下一篇文章會簡單講解數(shù)據(jù)分析的過程。

一. 爬取的結(jié)果
爬取的地址為：http://blog.csdn.net/Eastmount

爬取并存儲至MySQL數(shù)據(jù)庫的結(jié)果如下所示：

運行過程如下圖所示：

二. 完整代碼分析

完整代碼如下所示：

# coding=utf-8 
 
from selenium import webdriver 
from selenium.webdriver.common.keys import Keys 
import selenium.webdriver.support.ui as ui   
import re
import time
import os
import codecs
import MySQLdb
 
#打開Firefox瀏覽器 設(shè)定等待加載時間 
driver = webdriver.Firefox()
wait = ui.WebDriverWait(driver,10) 

#獲取每個博主的博客頁面低端總頁碼  
def getPage():
 print 'getPage'
 number = 0  
 texts = driver.find_element_by_xpath("http://div[@id='papelist']").text  
 print '頁碼', texts  
 m = re.findall(r'(\w*[0-9]+)\w*',texts) #正則表達式尋找數(shù)字  
 print '頁數(shù)：' + str(m[1])  
 return int(m[1]) 
 
#主函數(shù) 
def main():
 #獲取txt文件總行數(shù)
 count = len(open("Blog_URL.txt",'rU').readlines())
 print count
 n = 0
 urlfile = open("Blog_URL.txt",'r')

 #循環(huán)獲取每個博主的文章摘信息 
 while n < count: #這里爬取2個人博客信息，正常情況count個博主信息
  url = urlfile.readline()
  url = url.strip("\n")
  print url
  driver.get(url)
  #獲取總頁碼
  allPage = getPage()
  print u'頁碼總數(shù)為:', allPage
  time.sleep(2)

  #數(shù)據(jù)庫操作結(jié)合
  try:
   conn=MySQLdb.connect(host='localhost',user='root',
         passwd='123456',port=3306, db='test01')
   cur=conn.cursor() #數(shù)據(jù)庫游標

   #報錯:UnicodeEncodeError: 'latin-1' codec can't encode character
   conn.set_character_set('utf8')
   cur.execute('SET NAMES utf8;')
   cur.execute('SET CHARACTER SET utf8;')
   cur.execute('SET character_set_connection=utf8;')
   
   #具體內(nèi)容處理
   m = 1 #第1頁
   while m <= allPage:
    ur = url + "/article/list/" + str(m)
    print ur
    driver.get(ur)
    
    #標題
    article_title = driver.find_elements_by_xpath("http://div[@class='article_title']")
    for title in article_title:
     #print url
     con = title.text
     con = con.strip("\n")
     #print con + '\n'
    
    #摘要
    article_description = driver.find_elements_by_xpath("http://div[@class='article_description']")
    for description in article_description:
     con = description.text
     con = con.strip("\n")
     #print con + '\n'

    #信息
    article_manage = driver.find_elements_by_xpath("http://div[@class='article_manage']")
    for manage in article_manage:
     con = manage.text
     con = con.strip("\n")
     #print con + '\n'

    num = 0
    print u'長度', len(article_title)
    while num < len(article_title):
     #插入數(shù)據(jù) 8個值
     sql = '''insert into csdn_blog
        (URL,Author,Artitle,Description,Manage,FBTime,YDNum,PLNum)
       values(%s, %s, %s, %s, %s, %s, %s, %s)'''
     Artitle = article_title[num].text
     Description = article_description[num].text
     Manage = article_manage[num].text
     print Artitle
     print Description
     print Manage
     #獲取作者
     Author = url.split('/')[-1]
     #獲取閱讀數(shù)和評論數(shù)
     mode = re.compile(r'\d+\.?\d*')
     YDNum = mode.findall(Manage)[-2]
     PLNum = mode.findall(Manage)[-1]
     print YDNum
     print PLNum
     #獲取發(fā)布時間
     end = Manage.find(u' 閱讀')
     FBTime = Manage[:end]
     cur.execute(sql, (url, Author, Artitle, Description, Manage,FBTime,YDNum,PLNum)) 
     
     num = num + 1
    else:
     print u'數(shù)據(jù)庫插入成功'    
    m = m + 1
     
  
  #異常處理
  except MySQLdb.Error,e:
   print "Mysql Error %d: %s" % (e.args[0], e.args[1])
  finally:
   cur.close() 
   conn.commit() 
   conn.close()
  
  n = n + 1
    
 else:
  urlfile.close()
  print 'Load Over'
   
main()

在Blog_Url.txt文件中放置需要爬取用戶的博客地址URL，如下圖所示。注意在此處，作者預(yù)先寫了個爬取CSDN所有專家的URL代碼，這里為訪問其他人用于提升閱讀量已省略。

分析過程如下所示。
1.獲取博主總頁碼
首先從Blog_Url.txt讀取博主地址，然后訪問并獲取頁碼總數(shù)。代碼如下：

#獲取每個博主的博客頁面低端總頁碼  
def getPage():
 print 'getPage'
 number = 0  
 texts = driver.find_element_by_xpath("http://div[@id='papelist']").text  
 print '頁碼', texts  
 m = re.findall(r'(\w*[0-9]+)\w*',texts) #正則表達式尋找數(shù)字  
 print '頁數(shù)：' + str(m[1])  
 return int(m[1])

比如獲取總頁碼位17頁，如下圖所示：

2.翻頁DOM樹分析
這里的博客翻頁采用的是URL連接，比較方便。
如：http://blog.csdn.net/Eastmount/article/list/2
故只需要：1.獲取總頁碼；2.爬取每頁信息；3.URL設(shè)置進行循環(huán)翻頁；4.再爬取。
也可以采用點擊"下頁"跳轉(zhuǎn)，沒有"下頁"停止跳轉(zhuǎn)，爬蟲結(jié)束，接著爬取下一個博主。

3.獲取詳細信息：標題、摘要、時間
然后審查元素分析每個博客頁面，如果采用BeautifulSoup爬取會報錯"Forbidden"。
發(fā)現(xiàn)每篇文章都是由一個<div></div>組成，如下所示，只需要定位到該位置即可。

這里定位到該位置即可爬取，這里需要分別定位標題、摘要、時間。

代碼如下所示。注意，在while中同時獲取三個值，它們是對應(yīng)的。

#標題
article_title = driver.find_elements_by_xpath("http://div[@class='article_title']")
for title in article_title:
 con = title.text
 con = con.strip("\n")
 print con + '\n'
    
#摘要
article_description = driver.find_elements_by_xpath("http://div[@class='article_description']")
for description in article_description:
 con = description.text
 con = con.strip("\n")
 print con + '\n'

#信息
article_manage = driver.find_elements_by_xpath("http://div[@class='article_manage']")
for manage in article_manage:
 con = manage.text
 con = con.strip("\n")
 print con + '\n'

num = 0
print u'長度', len(article_title)
while num < len(article_title):
 Artitle = article_title[num].text
 Description = article_description[num].text
 Manage = article_manage[num].text
 print Artitle, Description, Manage

4.特殊字符串處理
獲取URL最后一個/后的博主名稱、獲取字符串時間、閱讀數(shù)代碼如下：

#獲取博主姓名
url = "http://blog.csdn.net/Eastmount"
print url.split('/')[-1]
#輸出: Eastmount

#獲取數(shù)字
name = "2015-09-08 18:06 閱讀(909) 評論(0)"
print name
import re
mode = re.compile(r'\d+\.?\d*') 
print mode.findall(name)
#輸出: ['2015', '09', '08', '18', '06', '909', '0']
print mode.findall(name)[-2]
#輸出: 909


#獲取時間
end = name.find(r' 閱讀')
print name[:end]
#輸出: 2015-09-08 18:06

import time, datetime
a = time.strptime(name[:end],'%Y-%m-%d %H:%M')
print a
#輸出: time.struct_time(tm_year=2015, tm_mon=9, tm_mday=8, tm_hour=18, tm_min=6,
#  tm_sec=0, tm_wday=1, tm_yday=251, tm_isdst=-1)

三. 數(shù)據(jù)庫相關(guān)操作
SQL語句創(chuàng)建表代碼如下：

CREATE TABLE `csdn` (
 `ID` int(11) NOT NULL AUTO_INCREMENT,
 `URL` varchar(100) COLLATE utf8_bin DEFAULT NULL,
 `Author` varchar(50) COLLATE utf8_bin DEFAULT NULL COMMENT '作者',
 `Artitle` varchar(100) COLLATE utf8_bin DEFAULT NULL COMMENT '標題',
 `Description` varchar(400) COLLATE utf8_bin DEFAULT NULL COMMENT '摘要',
 `Manage` varchar(100) COLLATE utf8_bin DEFAULT NULL COMMENT '信息',
 `FBTime` datetime DEFAULT NULL COMMENT '發(fā)布日期',
 `YDNum` int(11) DEFAULT NULL COMMENT '閱讀數(shù)',
 `PLNum` int(11) DEFAULT NULL COMMENT '評論數(shù)',
 `DZNum` int(11) DEFAULT NULL COMMENT '點贊數(shù)',
 PRIMARY KEY (`ID`)
) ENGINE=InnoDB AUTO_INCREMENT=9371 DEFAULT CHARSET=utf8 COLLATE=utf8_bin;

顯示如下圖所示：

其中，Python調(diào)用MySQL推薦下面這篇文字。
python專題九.Mysql數(shù)據(jù)庫編程基礎(chǔ)知識
核心代碼如下所示：

# coding:utf-8 
import MySQLdb
 
try:
 conn=MySQLdb.connect(host='localhost',user='root',passwd='123456',port=3306, db='test01')
 cur=conn.cursor()
 
 #插入數(shù)據(jù)
 sql = '''insert into student values(%s, %s, %s)'''
 cur.execute(sql, ('yxz','111111', '10'))

 #查看數(shù)據(jù)
 print u'\n插入數(shù)據(jù):'
 cur.execute('select * from student')
 for data in cur.fetchall():
  print '%s %s %s' % data
 cur.close()
 conn.commit()
 conn.close()
except MySQLdb.Error,e:
  print "Mysql Error %d: %s" % (e.args[0], e.args[1])

注意，在下載過程中，有的網(wǎng)站是新版本的，無法獲取頁碼。
比如：http://blog.csdn.net/michaelzhou224
這時需要簡單設(shè)置，跳過這些鏈接，并保存到文件中，核心代碼如下所示：

#獲取每個博主的博客頁面低端總頁碼  
def getPage():
 print 'getPage'
 number = 0  
 #texts = driver.find_element_by_xpath("http://div[@id='papelist']").text
 texts = driver.find_element_by_xpath("http://div[@class='pagelist']").text
 print 'testsss'
 print u'頁碼', texts
 if texts=="":
  print u'頁碼為0 網(wǎng)站錯誤'
  return 0
 m = re.findall(r'(\w*[0-9]+)\w*',texts) #正則表達式尋找數(shù)字  
 print u'頁數(shù)：' + str(m[1])  
 return int(m[1])

主函數(shù)修改：

 error = codecs.open("Blog_Error.txt", 'a', 'utf-8')

 #循環(huán)獲取每個博主的文章摘信息 
 while n < count: #這里爬取2個人博客信息，正常情況count個博主信息
  url = urlfile.readline()
  url = url.strip("\n")
  print url
  driver.get(url+"/article/list/1")
  #print driver.page_source
  #獲取總頁碼
  allPage = getPage()
  print u'頁碼總數(shù)為:', allPage
  #返回錯誤，否則程序總截住
  if allPage==0:
   error.write(url + "\r\n")
   print u'錯誤URL'
   continue; #跳過進入下一個博主
  time.sleep(2)
  #數(shù)據(jù)庫操作結(jié)合
  try:
    .....

最后希望文章對你有所幫助，如果文章中存在錯誤或不足之處，還請海涵~
提高效率，提升科研，認真教學，娜美人生。

您可能感興趣的文章: