如何使用python爬取csdn博客访问量
- WBOY原创
- 2016-06-10 15:06:051298浏览
最近学习了python和爬虫，想写一个程序练练手，所以我就想到了大家都比较关心的自己的博客访问量，使用python来获取自己博客的访问量，这也是后边我将要进行的项目的一部分，后边我会对博客的访问量进行分析，以折线图和饼图等可视化的方式展示自己博客被访问的情况，使自己能更加清楚自己的哪些博客更受关注，博客专家请勿喷，因为我不是专家，我听他们说专家本身就有这个功能。
一、网址分析
进入自己的博客页面，网址为：http://blog.csdn.net/xingjiarong 网址还是非常清晰的就是csdn的网址+个人csdn登录账号，我们来看一下下一页的网址。
看到第二页的地址为：http://blog.csdn.net/xingjiarong/article/list/2
后边的数字表示现在正处于第几页，再用其他的页面验证一下，确实是这样的，那么第一页为什么不是http://blog.csdn.net/xingjiarong/article/list/1呢，那么我们在浏览器中输入http://blog.csdn.net/xingjiarong/article/list/1试试，哎，果然是第一页啊，其实第一页是被重定向了，http://blog.csdn.net/xingjiarong被重定向到http://blog.csdn.net/xingjiarong/article/list/1，所以两个网址都能访问第一页，那么现在规律就非常明显了：
http://blog.csdn.net/xingjiarong/article/list/ + 页号
二、如何获取标题
右键查看网页的源代码，我们看到可以找到这样一段代码：
我们可以看到标题都是在标签
<span class="link_title"><a href="/xingjiarong/article/details/50651235">
所以我们可以使用下面的正则表达式来匹配标题：
<span class="link_title"><a href=".*?">(.*?)</a></span>
三、如何获取访问量
拿到了标题之后，就要获得对应的访问量了，经过对源码的分析，我看到访问量的结构都是这样的：
<span class="link_view" title="阅读次数"> <a href="/xingjiarong/article/details/50651235" title="阅读次数">阅读</a>(1140)</span>
括号中的数字即为访问量，我们可以用下面的正则表达式来匹配：
<span class="link_view".*?><a href=".*?" title="阅读次数">阅读</a>\((.*?)\)</span>
四、如何判断是否为尾页
接下来我们要判断当前页是否为最后一页，否则我们就不能判断什么时候结束了，我找到了源码中‘尾页'的标签，发现是下面的结构：
<a href="/xingjiarong/article/list/2">下一页</a> <a href="/xingjiarong/article/list/7">尾页</a>
所以我们可以用下面的正则表达式来匹配，如果匹配成功就说明当前页不是最后一页，否则当前页就是最后一页。
<a href=".*?">尾页</a>
五、编程实现
下面是完整的代码实现：
#!usr/bin/python
# -*- coding: utf-8 -*-
'''
Created on 2016年2月13日
@author: xingjiarong
使用python爬取csdn个人博客的访问量，主要用来练手
'''
import urllib2
import re
#当前的博客列表页号
page_num = 1
#不是最后列表的一页
notLast = 1
account = str(raw_input('输入csdn的登录账号:'))
while notLast:
#首页地址
baseUrl = 'http://blog.csdn.net/'+account
#连接页号，组成爬取的页面网址
myUrl = baseUrl+'/article/list/'+str(page_num)
#伪装成浏览器访问，直接访问的话csdn会拒绝
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = {'User-Agent':user_agent}
#构造请求
req = urllib2.Request(myUrl,headers=headers)
#访问页面
myResponse = urllib2.urlopen(req)
myPage = myResponse.read()
#在页面中查找是否存在‘尾页'这一个标签来判断是否为最后一页
notLast = re.findall('<a href=".*?">尾页</a>',myPage,re.S)
print '-----------------------------第%d页---------------------------------' % (page_num,)
#利用正则表达式来获取博客的标题
title = re.findall('<span class="link_title"><a href=".*?">(.*?)</a></span>',myPage,re.S)
titleList=[]
for items in title:
titleList.append(str(items).lstrip().rstrip())
#利用正则表达式获取博客的访问量
view = re.findall('<span class="link_view".*?><a href=".*?" title="阅读次数">阅读</a>\((.*?)\)</span>',myPage,re.S)
viewList=[]
for items in view:
viewList.append(str(items).lstrip().rstrip())
#将结果输出
for n in range(len(titleList)):
print '访问量:%s 标题:%s' % (viewList[n].zfill(4),titleList[n])
#页号加1
page_num = page_num + 1
下面是部分结果：
输入csdn的登录账号:xingjiarong -----------------------------第1页--------------------------------- 访问量:1821 标题:python编程常用模板总结 访问量:1470 标题:设计模式之UML（一）类图以及类间关系（泛化 、实现、依赖、关联、聚合、组合） 访问量:0714 标题:ubuntu14.04 安装并破解MyEclipse2014 访问量:1040 标题:ubuntu14.04 配置tomcat8 访问量:1355 标题:java调用python方法总结 访问量:0053 标题:Java多线程之Callable和Future 访问量:1265 标题:跟我学汇编（三）寄存器和物理地址的形成 访问量:1083 标题:跟我学汇编（二）王爽汇编环境搭建 访问量:0894 标题:跟我学汇编（一）基础知识 访问量:2334 标题:java多线程（一）Race Condition现象及产生的原因 访问量:0700 标题:Matlab矩阵基础 访问量:0653 标题:Matlab变量、分支语句和循环语句 访问量:0440 标题:Matlab字符串处理 访问量:0514 标题:Matlab运算符与运算 访问量:0533 标题:Matlab的数据类型 -----------------------------第2页--------------------------------- 访问量:0518 标题:OpenStack设计与实现（五）RESTful API和WSGI 访问量:0540 标题:解决Android SDK Manager下载太慢问题 访问量:0672 标题:OpenStack设计与实现（四）消息总线（AMQP） 访问量:0570 标题:分布式文件存储FastDFS（五）FastDFS常用命令总结 访问量:0672 标题:分布式文件存储FastDFS（四）配置fastdfs-apache-module 访问量:0979 标题:分布式文件存储FastDFS（一）初识FastDFS 访问量:0738 标题:分布式文件存储FastDFS（三）FastDFS配置 访问量:0682 标题:分布式文件存储FastDFS（二）FastDFS安装 访问量:0511 标题:OpenStack设计与实现（三）KVM和QEMU浅析 访问量:0593 标题:OpenStack设计与实现（二）Libvirt简介与实现原理 访问量:0562 标题:OpenStack设计与实现（一）虚拟化 访问量:0685 标题:食堂买饭的启示 访问量:0230 标题:UML之时序图详解 访问量:0890 标题:设计模式之桥梁模式和策略模式的区别 访问量:1258 标题:设计模式（十二）责任链模式
总结：
使用python编写爬虫，我个人总结了以下的步骤：
1、分析要抓取的网址特征，以确定如何生成相关网页的网址，如果只爬取一个网页，则这一步可以省略。
2、查看网页的源码，分析自己想要爬取的内容所在的标签的特征。
3、使用正则表达式从源码中将自己想要的部分抠出来。
4、编程实现。
以上内容是针对如何使用python爬取csdn博客访问量的相关知识，希望对大家有所帮助。