爬取简书全站文章并生成 API(二)

96
田飞雨
2016.07.29 11:32* 字数 470
简书

第一节已经介绍了简书网站的结构,爬取文章前对网页源码进行必要的分析,以及整个项目的步骤,这一节开始介绍如何爬取简书分类目录下的文章,如有不明白的,请务必看完前一节的介绍:

爬取“新上榜”目录下的文章


说明: 所有代码都在 python2.7 环境下运行。

首先创建一个 Django 项目:

# django-admin startproject jianshu_api

# cd jianshu_api

# django-admin startapp jianshu

在 jianshu_api/settings.py 下配置数据库:

DATABASES = {
    'default': {
        'ENGINE': 'django.db.backends.mysql',
        'NAME': 'jianshu',
        'HOST': '127.0.0.1',
        'USER': 'root',
        'PASSWORD': 'tianfeiyu',
        'PORT': 3306
    }
}
开始写 models:

此 API 的设计是模仿知乎日报 API 的形式,models 分两层,第一层是概要信息,第二层是详细内容,以概要信息作为外键。

class ArticleList(models.Model):
    """
        文章概要信息
    """
    article_id = models.CharField('ID', primary_key=True, max_length=100)
    article_title = models.CharField('文章标题', max_length=100)
    article_url = models.URLField('文章URL')
    article_user = models.CharField('作者', max_length=100)
    article_user_url = models.URLField('作者URL')
    created = models.DateTimeField(auto_now_add=True)

    class Meta:
        ordering = ['-created', ]

    def __unicode__(self):
        return self.article_title
    def __str__(self):
        return self.article_title    

class ArticleDetail(models.Model):
    """
        文章详细信息
    """
    image = models.URLField('图片URL' )
    title = models.CharField('文章标题', max_length=100)
    body = models.TextField('文章内容', null=True)
    time = models.CharField('发表时间' , max_length=100, null=True)
    views_count = models.CharField('阅读数', max_length=100)
    public_comments_count = models.CharField('评论数', max_length=100)
    likes_count = models.CharField('喜欢', max_length=100)
    total_rewards_count = models.CharField('打赏', max_length=100)
    created = models.DateTimeField('创建时间', auto_now_add=True)
    article_abstract = models.ForeignKey('ArticleList', verbose_name='文章摘要')
     
    class Meta:
        ordering = ['-created', ]
    
    def __unicode__(self):
        return self.title
    def __str__(self):
        return self.title

然后进入 MySQL 中,设置使用的编码:

root@127.0.0.1 : (none) 09:41:33> set character_set_client=utf8 ;
root@127.0.0.1 : (none) 09:41:33> set character_set_connection=utf8 ;
root@127.0.0.1 : (none) 09:41:33> set character_set_database=utf8 ;
root@127.0.0.1 : (none) 09:41:33> set character_set_results=utf8 ;
root@127.0.0.1 : (none) 09:41:33> set character_set_server=utf8 ;
root@127.0.0.1 : (none) 09:41:33> set character_set_system=utf8 ;

最后验证下是否正确:

设定 mysql 字符集

开始创建数据库:

# python manage.py makemigrations    
# python manage.py migrate
爬取“新上榜”的文章:

初始化代码:

if __name__ == '__main__':
    
    # 从 jianshu_api/settings.py 文件中导入数据库的信息
    host = DATABASES['default']['HOST']
    user = DATABASES['default']['USER']
    passwd = DATABASES['default']['PASSWORD']
    db = DATABASES['default']['NAME']
    port = DATABASES['default']['PORT']

    # 保存文章所用到的表
    article_list_table = 'jianshu_articlelist' 
    article_detail_table = 'jianshu_articledetail'
    
    # 使用 colorama 模块进行颜色控制,通过使用 autoreset 参数可以让变色效果只对当前输出起作用,输出完成后颜色恢复默认设置
    init(autoreset=True)
    domain_name = 'http://www.jianshu.com'
    
    # “新上榜”目录的 URL
    base_url = 'http://www.jianshu.com/recommendations/notes'

    # 初始化一个 mysql 实例    
    mysql = Mysql(host, user, passwd, db, port)
    
    # 解析 dom,获取文章的详细信息
    get_details(mysql, base_url, domain_name, article_list_table, article_detail_table)

爬取文章详细信息代码:

def get_details(mysql, base_url, domain_name, article_list_table, article_detail_table):
    """
        爬取文章并获取详细信息
    """
    
    # OrderedDict() 是一个有序的字典,将文章的信息保存在 dict 中
    article_list = OrderedDict()
    article_detail = OrderedDict()
    html = requests.get(base_url).content  

    # html 是网页的源码,soup 是获得一个文档的对象
    soup = BeautifulSoup(html, 'html.parser', from_encoding='utf-8')
    tags = soup.find_all('li', class_="have-img")
    print Fore.YELLOW + "---------------all-------------------:",len(tags)
    ct = 1
    
    # 获取文章的信息
    for tag in tags:
        image = tag.img['src'].split('?')[0]
        article_user = tag.p.a.get_text()
        
        # 将 URL 补全
        article_user_url = tag.p.a['href']
        if article_user_url.startswith('/users/'):
            article_user_url = domain_name + article_user_url
        created = tag.p.span['data-shared-at']
        article_title = tag.h4.get_text(strip=True)
        article_title = article_title.replace('"', '\\"')
        article_url = tag.h4.a['href']
        article_id = article_url.split('/')[2]
        if article_url.startswith('/p/'):
            article_url = domain_name + article_url
        tag_a = tag.div.div.find_all('a')
        views = tag_a[0].get_text(strip=True)
        
        # 提取其中的数字 
        views = filter(str.isdigit, str(views))
        
        comments = tag_a[1].get_text(strip=True)
        comments = filter(str.isdigit, str(comments))    
        tag_span = tag.div.div.find_all('span')
        likes = tag_span[0].get_text(strip=True)
        likes = filter(str.isdigit, str(likes))

        # 阅读,评论,喜欢一定存在,打赏不一定有
        try:
            tip = tag_span[1].get_text()
            tip = filter(str.isdigit, str(tip))
        except Exception as e:
            tip = 0

获取文章的内容:

def get_body(article_url):
    """
        获取文章内容
    """
    # 解析文章对应的 URL
    html = requests.get(article_url).content
    soup = BeautifulSoup(html, 'html.parser', from_encoding='utf-8')
    tags = soup('div', class_="show-content")
    body = str(tags[0])

    # 将 body 中 " 转换为 \", ' 转换为 \'
    body = body.replace('"','\\"')
    body = body.replace("'","\\'")
    return body

将数据保存在 mysql 中:

def insert_data(self, table, my_dict):
        try:    
            # 从 dict 中分别取出 key,value 
            cols = ','.join(my_dict.keys())
            values = '","'.join(my_dict.values())
            values = '"' + values + '"'
            try:
                sql = "insert into %s (%s) values(%s)" %(table, cols, values)
                result = self.cur.execute(sql) 
                self.db.commit()
                if result:
                    return 1
                else:
                    return 0 
            except MySQLdb.Error as e:
                self.db.rollback()
                if "key 'PRIMARY'" in e.args[1]:
                     print Fore.RED + self.get_current_time(), "数据已存在,未插入数据"
                else:
                    print Fore.RED + self.get_current_time(), "插入数据失败,原因 %d: %s" % (e.args[0], e.args[1])
        except MySQLdb.Error as e:
            print Fore.RED + self.get_current_time(), "数据库错误,原因%d: %s" % (e.args[0], e.args[1])

代码运行结果:

运行结果

上一节已经提到过,“热门”目录和“新上榜”目录下代码的结构相同,所以以上代码稍作修改完全可以爬取“热门”下的文章,但我将“热门”下爬取到的文章放在了一张表里,大家可以自行尝试。

完整代码请查看项目中的 popular_articles_jianshu.py 文件!

下一节将介绍 API 的生成。

python爬虫
Web note ad 1