爬虫 | cnblog文章收藏排行榜(“热门文摘”)

目录

• 需要用的module
• 单页测试
• 批量抓取
• 数据保存

背景说明
因为加入cnblog不久，发现上面有很多优秀的文章。
无意中发现cnblog有整理文章的收藏排行榜，也就是热门文摘.
不过有点坑的是，这个页面不支持搜索，所以就写一个简单的脚本把这些热门文章理出来。

整个爬虫的思路：

1. 确定页面的接口，一般常见的格式是html或者json格式；
2. 确定页面迭代变量，找到page_index
3. 对单页进行测试，包括header信息的配置，以及所需字段的提取；
4. 对第3步中的代码进行封装，放到循环内执行；

页面说明
收藏文章排行的url示例
https://wz.cnblogs.com/hot/All/2
最后一个是页数(page index)，这个是后面要放入for循环里的迭代变量.
从页面上的显示来看，最多可以抓100页

需要用的module

import requests,re
import pandas as pd
import lxml.html
import time,sys

单页测试

先测试下单个页面，需要解析出页面下的：

• 文章url
• 文章title
• 收藏数

url = ' https://wz.cnblogs.com/hot/All/2'

# 配置header信息
headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36'
    ,'Cookie': '这里cookie需要自行填写，需要登陆cnblog账号'
}

r = requests.get(url, headers=headers)

# 页面的编码格式
r.encoding = 'utf-8'

接下来用lxml来解析html页面信息

tree = lxml.html.fromstring(r.text)

# 这个的html路径在chrome浏览器的Elements下很容易查到
item_list = tree.cssselect('div.wz_item_content')
# 一页有20篇收藏的问斩个，所以item_list的长度是20

# 取其中一篇文章来解析
item_tmp = item_list[0]

# 可以用如下命令看看文章的信息是都包含在里面了
# item_tmp.text_content()

x = item_tmp.cssselect('h2 > a')[0]

# 链接，可以用x.items()来查看属性
x.get('href')

# 标题
x.text_content()

# 收藏数
item_tmp.cssselect('span.wz_item_count')[0].text_content()

批量抓取

# 定义list来保存数据

data_info = list()

for page_idx in range(1,100+1):
    # 进度提示
    sys.stdout.write('\r当前进度 第%d页'%(page_idx))
    sys.stdout.flush()
    time.sleep(0.1)
    
    url = ' https://wz.cnblogs.com/hot/All/'+str(page_idx)
   
    headers = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36'
        ,'Cookie': '请自行配置'
    }
    
    r = requests.get(url, headers=headers)
    
    if r.status_code == 200:
        r.encoding = 'utf-8'
        
        tree = lxml.html.fromstring(r.text)

        item_list = tree.cssselect('div.wz_item_content')

        for item_tmp in item_list:

            x = item_tmp.cssselect('h2 > a')[0]

            # 链接
            d_url = x.get('href')

            # 标题
            d_title = x.text_content()

            # 收藏数
            d_ucnt = item_tmp.cssselect('span.wz_item_count')[0].text_content()
            
            data_info.append([d_url,d_title,d_ucnt])
        

数据保存

先将list转成dataframe格式

data_df = pd.DataFrame(data_info)
data_df.columns = ['url','title','ucnt']
data_df.head(3)

接下来我们定义一个函数：从url中提取博客的名称

# 从url中提取博主的名称
# 如果是博客文章，具有的特征有两点：1.www.cnblogs.com 2.后面对接的就是博主的账号名称，名称长度是两位以上的

def extract_name(url):
    if 'www' in url:
        
        blog_name = re.findall('.com\/(.*?)\/',url)[0]
        
        if len(blog_name)<2:
            blog_name = '无名氏'
    else:
        blog_name = '无名氏'
        
    return(blog_name)

新增一列，标注博客的名称

data_df['blog_name'] = data_df['url'].apply(lambda x: extract_name(x))

data_df.head(5)

将数据导出成csv格式文件，这样方便搜索

# 备份下数据，后面可能还有用
data_df.to_csv('cnblog_收藏文章排行榜_20200322.csv',index=False)

如果你想直接获取该列表，请访问
百度网盘链接 密码: 3yw4