一.前言：
前段时间想看下最近几年的阅读清单，萌生了用Python写爬虫程序的想法，于是就有了这篇文章。
起因
两周前，一位同学问小央，平时有没有写过技术类博客。小央大言不惭，随口就说下次可以尝试。
这不，自己挖的坑，哭也得填上。正巧，最近要统计自己的阅读记录，一个个看多费劲呀，如果能写个爬虫程序，自动化获取数据，岂不美哉。今天一菲就和大家聊一下怎么用python来爬虫。
二.正文:
1.爬虫思路
爬虫是指请求网站并获取数据的自动化程序，又称网页蜘蛛或网络机器，最常用领域是搜索引擎，它的基本流程是明确需求-发送请求-获取数据-解析数据-存储数据。
网页之所以能够被爬取，主要是有以下三大特征：
网页都有唯一的URL（统一资源定位符，也就是网址）进行定位
网页都使用HTML（定位超文本标记语言）来描述页面信息
网页都使用HTTP/HTTPS（超文本传输协议）协议来传输HTML数据
因此，只要我们能确定需要爬取的网页 URL地址，通过 HTTP/HTTPS协议来获取对应的 HTML页面，就能提取 HTML页面里有用的数据。
在工具的选择上，任何支持网络通信的语言都可以写爬虫，比如 c++、 java、 go、 node等，而 python则是用的最多最广的，并且也诞生了很多优秀的库和框架，如 scrapy、 BeautifulSoup 、 pyquery、 Mechanize等。
在这里推荐一个软件测试交流群，qq:642830685,群中会不定期的分享软件测试资源，测试面试题以及测试行业咨讯，
BeautifulSoup是一个非常流行的 Pyhon 模块。该模块可以解析网页，并提供定位内容的便捷接口。
但是在解析速度上不如 Lxml模块，因为后者是用C语言编写，其中 Xpath可用来在 XML文档中对元素和属性进行遍历。
综上，我们本次爬取工具选择 Python，使用的包有 requests、 Lxml、 xlwt、 xlrd，分别用于模拟账户登录、爬取网页信息和操作 Excel进行数据存储等。
2.实战解析
⑴模拟账户登录
因为要爬取个人账户下的读书列表，我们首先要让 Python创建用户会话，用于在跨请求时保存Cookie值，实现从客户端浏览器连接服务器开始，到客户端浏览器与服务器断开。
其次要处理请求头 Header，发送附带账户名和密码的 POST请求，并获取登陆后的 Cookie值，保存在会话里。
登陆进去之后，我们就可以长驱直入进行爬虫了；否则，它就会因请求不合法报错。
代码示例
# 1. 创建session对象，可以保存Cookie值ssion = requests.session()# 2. 处理 headersuser_agent='Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'headers={'User-Agent':user_agent}# 3. 需要登录的用户名和密码data = {"email":"豆瓣账户名XX", "password":"豆瓣密码XX"}# 4. 发送附带用户名和密码的请求，并获取登录后的Cookie值，保存在ssion里ssion.post("https://www.douban.com/accounts/login", data = data)respon=ssion.get(url,headers=headers)
⑵分析网页结构
进入读书页面，右键选择“检查”，可以看到如下界面：当鼠标定位在某一行代码时，就会选中左侧对应模块。
所有图书内容的标签，存放在一个类名为 id="content"的div盒子， class="subject-item"的li盒子。
同样方法，我们也可以找到书名、作者、出版社、何时读过、评论信息，分别对应哪些标签。
最终，我们通过CSS路径提取来提取对应标签数据。
代码示例
#因为每页有15本书，所以这里做了个循环for tr in trs: i = 1 while i <= 15: data = [] title = tr.xpath("./ul/li["+str(i)+"]/div[2]/h2/a/text()") info = tr.xpath(’./ul/li[’+str(i)+’]/div[2]/div[1]/text()’) date = tr.xpath(’./ul/li[’+str(i)+’]/div[2]/div[2]/div[1]/span[2]/text()’) comment = tr.xpath(’./ul/li[’+str(i)+’]/div[2]/div[2]/p/text()’)
⑶自动翻页，循环爬取
因为要爬取历史读书清单，当爬完一页的时候，需要程序能够实现自动翻页功能。
一种方法是让它自动点击下一页，但这个学习成本有点高，吃力不讨好；另一种方法，就是寻找网页之间的规律，做个循环即可。
以央之姑娘的豆瓣账户为例：很容易发现网页之间的区别仅在于start值不同，第一页的 start=0，第二页 start=15，以此类推，最后一页，即19页的 start=（19-1）*15=270.
找到这样的规律就很容易实现Python自动翻页功能，条条大路通罗马，适合自己的就是最好的。
代码示例
def getUrl(self): i = 0 while i < 271: url = (‘https://book.douban.com/people/81099629/collect?start=’+str(i)+’&sort=time&rating=all&filter=all&mode=grid’) self.spiderPage(url) i += 15
⑷数据存储
数据存储有很多种方法，因为数据量不大，用Excel即可满足，具体方法就不在这里赘述了。
代码示例
def init(self): self.f = xlwt.Workbook() # 创建工作薄 self.sheet1 = self.f.add_sheet(u’央之姑娘’, cell_overwrite_ok=True) # 命名table self.rowsTitle = [u’编号’,u’书名’, u’信息’, u’读过日期’, u’评论’] # 创建标题 for i in range(0, len(self.rowsTitle)): # 最后一个参数设置样式 self.sheet1.write(0, i, self.rowsTitle[i], self.set_style(‘Times new Roman’, 220, True)) # Excel保存位置 self.f.save(‘C://Users//DELL//央之姑娘.xlsx’)
def set_style(self, name, height, bold=False): style = xlwt.XFStyle() # 初始化样式 font = xlwt.Font() # 为样式创建字体 font.name = name font.bold = bold font.colour_index = 2 font.height = height style.font = font return style
三、效果演示
前面讲了爬虫的原理和方法，那么接下来我们就展示一下具体效果：
在这里推荐一个软件测试交流群，QQ：642830685，群中会不定期的分享软件测试资源，测试面试题以及行业资讯，大家可以在群中积极交流技术，还有技术大佬为你答疑解惑。
文章来源: 博客园
- 还没有人评论，欢迎说说您的想法！
客服
