Python抓拍博客园文章，并存入数据库

　　在学习python后，想做个爬虫，抓取博客园文章。

　　爬虫思路很简单，模拟浏览器访问网页，得到网页的html代码，再根据页面结构，从html中提取自己需要的内容。

　　本文代码主要分为3个部分：

　　1、读取博客园首页文章链接。

　　　　https://www.cnblogs.com/是博客园的首页，列出了文章，分析页面内容，读取文章的链接。

　　　　这需要看页面的结构，可以使用浏览器，再浏览页面代码，选择元素，看界面上选中哪一部分，根据自己的需要，可以看到对应模块的代码。

　　2、对于每个页面，分析页面内容。

　　　　这需要看页面结构。

　　3、分析完页面内容后，将需要的数据插入到数据库中。

数据设计：

-- 博客系统爬虫模块
-- 1、创建库
drop database if exists blog_service_spider; -- 直接删除数据库，不提醒
create database blog_service_spider; -- 创建数据库 
use blog_service_spider; -- 选择数据库

--
-- table structure for table `spider_page`
--
drop table if exists `spider_page`;

create table `spider_page` (
  `id` varchar(60) not null comment '主键',
  `create_time` datetime default current_timestamp comment '创建时间',
  `creator` varchar(60) not null comment '创建人id',
  `modified_time` datetime default null on update current_timestamp comment '修改时间',
  `modifier` varchar(60) default null comment '修改人id',
  `title` varchar(100) default null comment '文章标题',
  `title_url` varchar(100) default null comment '文章地址',
  `content` text default null comment '文章内容',
  `post_time` datetime default null comment '文章发表时间',
  `author` varchar(100) default null comment '作者',
  `author_page` varchar(100) default null comment '作者主页',
  primary key (`id`)
) engine=innodb default charset=utf8 comment='抓取的文章';

　　

python代码如下：

'''
File Name：   webspider
Author：      tim
Date：        2018/7/27 14:36
Description： 网页爬虫。抓取博客园首页文章，放入数据库中。
放入数据库中的内容：标题、作者、发表时间、文章内容、文章地址、作者主页
'''

from urllib import request
import ssl
from bs4 import BeautifulSoup
import pymysql
import uuid


# 传入url，读取url，将返回的页面转换成BeautifulSoup对象
def html_parser(url):
    ssl._create_default_https_context = ssl._create_unverified_context  # 加入ssl
    req = request.Request(url)  # 构建请求

    # 代理，模拟浏览器在访问，避免被屏蔽
    req.add_header('User-Agent',
                   'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36')

    resp = request.urlopen(req)  # 发起请求
    html = resp.read().decode('utf-8')  # 转码

    bf = BeautifulSoup(html, "html.parser")  # 将页面转换成BeautifulSoup对象

    return bf


# 分析单个网页
def read_page(url):
    bf = html_parser(url)  # 获取BeautifulSoup对象

    # 内容分析
    post_info = bf.find('div', class_='post')  # 有用的内容区域，下面的查找从该有用区域中进一步获取

    title = post_info.find(id='cb_post_title_url').get_text()  # 文章标题
    title_url = post_info.find(id='cb_post_title_url')['href']  # 文章地址
    content = post_info.find(id='cnblogs_post_body')  # 文章内容
    postdate = post_info.find(id='post-date').get_text()  # 文章发表时间
    author = post_info.find('div', class_='postDesc').find('a').get_text()  # 作者
    author_page = post_info.find('div', class_='postDesc').find('a')['href']  # 作者主页

    '''print(title)
    print(title_url)
    print(content)
    print(postdate)
    print(author)
    print(author_page)'''
    # 分析完每个页面后，将页面内容插入到数据库中
    operate_db(title, title_url, content, postdate, author, author_page)


# 分析博客园首页文章列表
def read_post_list():
    bf = html_parser('https://www.cnblogs.com/')
    post_list = bf.find(id='post_list').find_all('div', class_="post_item")
    for post in post_list:
        page_url = post.find('div', class_='post_item_body').h3.a['href']
        # 读取每篇文章的url，分别进行页面分析
        read_page(page_url)


# 操作数据库
def operate_db(title, title_url, content, postdate, author, author_page):
    # 打开数据库连接
    conn = pymysql.connect('localhost', 'root', 'root', 'blog_service_spider')

    # 使用cursor()方法获取操作游标
    cursor = conn.cursor()

    # 执行的sql
    insert_sql = "insert into spider_page (id,creator,title,title_url,content,post_time,author,author_page) values(%s,%s,%s,%s,%s,%s,%s,%s)"

    # 生成的ID
    id = str(uuid.uuid1())

    # 文章内容
    str_content = str(content)

    # 创建人
    creator = 'admin'

    try:
        cursor.execute(insert_sql,
                       (id, creator, title, title_url, str_content, postdate, author, author_page))  # 执行sql语句
        conn.commit()  # 提交到数据库执行
    except Exception as e:
        # 如果执行sql语句出现问题，则执行回滚操作
        conn.rollback()
        print(e)
    finally:
        # 不论try中的代码是否抛出异常，这里都会执行
        # 关闭游标和数据库连接
        cursor.close()
        conn.close()


# start
if __name__ == '__main__':
    read_post_list()