快捷導(dǎo)航

詳解Python爬蟲爬取博客園問題列表所有的問題

更新時(shí)間：2021年01月18日 14:40:48 作者：Winqihe

這篇文章主要介紹了詳解Python爬蟲爬取博客園問題列表所有的問題，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

一.準(zhǔn)備工作

首先，本文使用的技術(shù)為 python+requests+bs4，沒有了解過可以先去了解一下。
我們的需求是將博客園問題列表中的所有問題的題目爬取下來。

在這里插入圖片描述

二.分析：

首先博客園問題列表頁面右鍵點(diǎn)擊檢查
通過Element查找問題所對(duì)應(yīng)的屬性或標(biāo)簽

在這里插入圖片描述

可以發(fā)現(xiàn)在div class ="one_entity"中存在頁面中分別對(duì)應(yīng)每一個(gè)問題
接著div class ="news_item"中h2標(biāo)簽下是我們想要拿到的數(shù)據(jù)

三.代碼實(shí)現(xiàn)

首先導(dǎo)入requests和BeautifulSoup

import requests
from bs4 import BeautifulSoup

由于很多網(wǎng)站定義了反爬策略，所以進(jìn)行偽裝一下

headers = {
    'User-Agent': 'Mozilla / 5.0(WindowsNT10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 87.0.4280.141Safari / 537.36'
  }

在這里User-Agent只是其中的一種方式，而且大家的User-Agent可能不同。

爬取數(shù)據(jù)main代碼

url = 'https://q.cnblogs.com/list/unsolved?'
  fp = open('blog', 'w', encoding='utf-8')
  for page in range(1,26):
    page = str(page)
    param = {
      'page':page
    }
    page_text = requests.get(url=url,params=param,headers=headers).text
    page_soup = BeautifulSoup(page_text,'lxml')
    text_list = page_soup.select('.one_entity > .news_item > h2')
    for h2 in text_list:
      text = h2.a.string
      fp.write(text+'\n')
    print('第'+page+'頁爬取成功！')

注意一下這里，由于我們需要的是多張頁面的數(shù)據(jù)，所以在發(fā)送請(qǐng)求的url中我們就要針對(duì)不同的頁面發(fā)送請(qǐng)求，https://q.cnblogs.com/list/unsolved?page=我們要做的是在發(fā)送請(qǐng)求的url時(shí)候，根據(jù)參數(shù)來填充頁數(shù)page，
代碼實(shí)現(xiàn)：

  url = 'https://q.cnblogs.com/list/unsolved?'
  for page in range(1,26):
    page = str(page)
    param = {
      'page':page
    }
  page_text = requests.get(url=url,params=param,headers=headers).text

將所有的h2數(shù)組拿到，進(jìn)行遍歷，通過取出h2中a標(biāo)簽中的文本，并將每取出來的文本寫入到文件中，由于要遍歷多次，所以保存文件在上面的代碼中。

text_list = page_soup.select('.one_entity > .news_item > h2')
    for h2 in text_list:
      text = h2.a.string
      fp.write(text+'\n')

完整代碼如下:

import requests
from bs4 import BeautifulSoup
if __name__ == '__main__':
  headers = {
    'User-Agent': 'Mozilla / 5.0(WindowsNT10.0;Win64;x64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 87.0.4280.141Safari / 537.36'
  }
  url = 'https://q.cnblogs.com/list/unsolved?'
  fp = open('blog', 'w', encoding='utf-8')
  for page in range(1,26):
    page = str(page)
    param = {
      'page':page
    }
    page_text = requests.get(url=url,params=param,headers=headers).text
    page_soup = BeautifulSoup(page_text,'lxml')
    text_list = page_soup.select('.one_entity > .news_item > h2')
    for h2 in text_list:
      text = h2.a.string
      fp.write(text+'\n')
    print('第'+page+'頁爬取成功！')