当前位置：Gxlcms > Python > Python爬虫爬取指定博客的所有文章

Python爬虫爬取指定博客的所有文章

时间：2021-07-01 10:21:17 帮助过：4人阅读

自上一篇文章 Z Story : Using Django with GAE Python 后台抓取多个网站的页面全文 后，大体的进度如下：
1.增加了Cron： 用来告诉程序每隔30分钟 让一个task 醒来， 跑到指定的那几个博客上去爬取最新的更新
2.用google 的 Datastore 来存贮每次爬虫爬下来的内容。。只存贮新的内容。。

就像上次说的那样，这样以来 性能有了大幅度的提高： 原来的每次请求后， 爬虫才被唤醒 所以要花大约17秒的时间才能从后台输出到前台而现在只需要2秒不到

3.对爬虫进行了优化

1. Cron.yaml 来安排每个程序醒来的时间

经过翻文档， 问问题终于弄明白google的cron的工作原理－－实际上只是google每隔指定的时间虚拟地访问一个我们自己指定的url…
因此在Django 下， 根本不需要写一个纯的python 程序 一定不要写：
if __name__=="__main__":
只需要自己配置一个url 放在views.py里：

  1. def updatePostsDB(request):
  2.   #deleteAll()
  3.   SiteInfos=[]
  4.   SiteInfo={}
  5.   SiteInfo['PostSite']="L2ZStory"
  6.   SiteInfo['feedurl']="feed://l2zstory.wordpress.com/feed/"
  7.   SiteInfo['blog_type']="wordpress"
  8.   SiteInfos.append(SiteInfo)
  9.   SiteInfo={}
  10.   SiteInfo['PostSite']="YukiLife"
  11.   SiteInfo['feedurl']="feed://blog.sina.com.cn/rss/1583902832.xml"
  12.   SiteInfo['blog_type']="sina"
  13.   SiteInfos.append(SiteInfo)
  14.   SiteInfo={}
  15.   SiteInfo['PostSite']="ZLife"
  16.   SiteInfo['feedurl']="feed://ireallife.wordpress.com/feed/"
  17.   SiteInfo['blog_type']="wordpress"
  18.   SiteInfos.append(SiteInfo)
  19.   SiteInfo={}
  20.   SiteInfo['PostSite']="ZLife_Sina"
  21.   SiteInfo['feedurl']="feed://blog.sina.com.cn/rss/1650910587.xml"
  22.   SiteInfo['blog_type']="sina"
  23.   SiteInfos.append(SiteInfo)
  24.   
  25.   try:
  26.     for site in SiteInfos:
  27.       feedurl=site['feedurl']
  28.       blog_type=site['blog_type']
  29.       PostSite=site['PostSite']
  30.       PostInfos=getPostInfosFromWeb(feedurl,blog_type)
  31.       recordToDB(PostSite,PostInfos)
  32.     Msg="Cron Job Done..." 
  33.   except Exception,e:
  34.     Msg=str(e)  
  35.   return HttpResponse(Msg)

cron.yaml 要放在跟app.yaml同一个级别上：
cron:
- description: retrieve newest posts
url: /task_updatePosts/
schedule: every 30 minutes

在url.py 里只要指向这个把task_updatePostsDB 指向url就好了

调试这个cron的过程可以用惨烈来形容。。。在stackoverflow上有很多很多人在问为什么自己的cron不能工作。。。我一开始也是满头是汗，找不着头脑。。。最后侥幸弄好了，大体步骤也是空泛的很。。但是很朴实：
首先，一定要确保自己的程序没有什么syntax error….然后可以自己试着手动访问一下那个url 如果cron 正常的话，这个时候任务应该已经被执行了 最后实在不行的话多看看log…

2. Datastore的配置和利用－－Using Datastore with Django

我的需求在这里很简单－－没有join…所以我就直接用了最简陋的django-helper..
这个models.py 是个重点：

代码如下:


from appengine_django.models import BaseModel
from google.appengine.ext import db

classPostsDB(BaseModel):
link=db.LinkProperty()
title=db.StringProperty()
author=db.StringProperty()
date=db.DateTimeProperty()
description=db.TextProperty()
postSite=db.StringProperty()

前两行是重点中的重点。。。。我一开始天真没写第二行。。。结果我花了2个多小时都没明白是怎么回事。。得不偿失。。。
读写的时候， 千万别忘了。。。PostDB.put()

一开始的时候，我为了省事，就直接每次cron被唤醒， 就删除全部的数据， 然后重新写入新爬下来的数据。。。
结果。。。一天过后。。。有4万条读写纪录。。。。而每天免费的只有5万条。。。。
所以就改为在插入之前先看看有没有更新， 有的话就写，没的话就不写。。总算把数据库这部分搞好了。。。

3.爬虫的改进：
一开始的时候，爬虫只是去爬feed里给的文章。。这样一来，如果一个博客有24＊30篇文章的话。。。最多只能拿到10篇。。。。
这次，改进版能爬所有的文章。。我分别拿孤独川陵， 韩寒， Yuki和Z的博客做的试验。。成功的很。。。其中孤独川陵那里有720＋篇文章。。。无遗漏掉的被爬下来了。。

  1. import urllib
  2. #from BeautifulSoup import BeautifulSoup
  3. from pyquery import PyQuery as pq
  4. def getArticleList(url):
  5.   lstArticles=[]
  6.   url_prefix=url[:-6]
  7.   Cnt=1
  8.   
  9.   response=urllib.urlopen(url)
  10.   html=response.read()
  11.   d=pq(html)
  12.   try:
  13.     pageCnt=d("ul.SG_pages").find('span')
  14.     pageCnt=int(d(pageCnt).text()[1:-1])
  15.   except:
  16.     pageCnt=1
  17.   for i in range(1,pageCnt+1):
  18.     url=url_prefix+str(i)+".html"
  19.     #print url
  20.     response=urllib.urlopen(url)
  21.     html=response.read()
  22.     d=pq(html)
  23.     title_spans=d(".atc_title").find('a')
  24.     date_spans=d('.atc_tm')
  25.     
  26.     for j in range(0,len(title_spans)):
  27.       titleObj=title_spans[j]
  28.       dateObj=date_spans[j]
  29.       article={}
  30.       article['link']= d(titleObj).attr('href')
  31.       article['title']= d(titleObj).text()
  32.       article['date']=d(dateObj).text()
  33.       article['desc']=getPageContent(article['link'])
  34.       lstArticles.append(article)
  35.   return lstArticles
  36.   
  37. def getPageContent(url):
  38.   #get Page Content
  39.   response=urllib.urlopen(url)
  40.   html=response.read()
  41.   d=pq(html)
  42.   pageContent=d("div.articalContent").text()
  43.   #print pageContent
  44.   return pageContent
  45. def main():
  46.   url='http://blog.sina.com.cn/s/articlelist_1191258123_0_1.html'#Han Han
  47.   url="http://blog.sina.com.cn/s/articlelist_1225833283_0_1.html"#Gu Du Chuan Ling
  48.   url="http://blog.sina.com.cn/s/articlelist_1650910587_0_1.html"#Feng
  49.   url="http://blog.sina.com.cn/s/articlelist_1583902832_0_1.html"#Yuki
  50.   lstArticles=getArticleList(url)
  51.   for article in lstArticles:
  52.     f=open("blogs/"+article['date']+"_"+article['title']+".txt",'w')
  53.     f.write(article['desc'].encode('utf-8')) ＃特别注意对中文的处理
  54.     f.close()
  55.     #print article['desc']
  56.     
  57. if __name__=='__main__':
  58.   main()

对PyQuery的推荐。。
很遗憾的说， BueautifulSoup让我深深的失望了。。。在我写上篇文章的时候，当时有个小bug..一直找不到原因。。在我回家后，又搭上了很多时间试图去弄明白为什么BueautifulSoup一直不能抓到我想要的内容。。。后来大体看了看它selector部分的源代码觉得应该是它对于很多还有