新人一枚，初来乍到，请多关照

　　来到博客园，不知道写点啥，那就去瞄一瞄大家都在干什么好了。

　　使用python 爬取博客园首页文章链接和标题。

　　首先当然是环境了，爬虫在window10系统下，python3.6.5环境中运行。使用python中的requests模块和BeautifulSoup模块。

　　通过包管理工具pip3安装requests和BeautifulSoup：

　　pip3 install requests

　　pip3 install bs4

　　贴代码：

import requests

from bs4 import BeautifulSoup
import time

def getlinktitle():

    counts=0

    index=0

    f=open('down.txt','w',encoding='utf-8')

    postData={

        "CategoryType":"SiteHome",

        "ParentCategoryId":0,

        "CategoryId":808,

        "PageIndex":1,#pageIndex确定是第几页，博客园首页共有200页

        "TotalPostCount":4000,

        "ItemListActionName":"PostList"

        }#博客园请求页面使用post请求的请求数据

    try:

        for i in range(0,200):                                                      #博客园首页内容只有200页

            time.sleep(0.2)

            r=requests.post('https://www.cnblogs.com/mvc/AggSite/PostList.aspx',data=postData)

            index+=1

            postData['PageIndex']=index#通过改变PageIndex的值改变请求页

            if r.status_code==200:

                html='<html><head><meta charest="utf-8"><title>自定义标题</title></head><body>'+r.content.decode()+'</body></html>'#将页面补充完整

                soup=BeautifulSoup(html,'lxml')

                links=soup.select('.post_item_body  h3 a')                      #xpath 路径是 //*[@id="post_list"]/div[1]/div[2]/h3

                for i in range(0,len(links)):

                    f.write(links[i].get_text())

            else:

                print(r.status_code)

            r.close()

    except Exception as e:

        print(e)

    finally:

        f.close()

　　我们将结果保存在文本中了，打开文本可以看到内容都被保存了下来.

　　能不能让结果更直观一点呢?当然可以，我们可以用词云工具制作一个词云图片。

　　本次使用wordcloud词云制作工具和jieba分词

　　首先当然是安装了工具了：

　　pip3 install wordcloud

　　pip3 install jieba

　　pip3 install opencv-python（也可以使用matplotlib的pyplot ）

最后贴代码：

　　

import jieba

from  wordcloud import WordCloud,ImageColorGenerator,STOPWORDS

import cv2

def feci():

    img=cv2.imread('bky.jpg')

    with open('down.txt','r',encoding='utf-8') as f:

        fctxt=' '.join(jieba.cut(f.read()))

    wd=WordCloud(background_color='white',width=480,height=480,mask=img,stopwords=STOPWORDS,font_path="C:/windows/字体管家方萌.ttf")

    wd.generate(fctxt)

    imgcolor=ImageColorGenerator(img)

    wd.recolor(color_func=imgcolor)

    wd.to_file('final.jpg')

　　掩模使用一张博客园的logo（图片来自百度，侵删）

　　

　　最终效果

　　

　　我们可以看到近两个月python,ASP.NET,.NET Core这几个词出现的频率最高（别问我为什么是两个月，因为博客园首页只有200页),感觉自己也是其中的一员呢，感觉以后自己可以放心写了，需要说明一点就是博客园的每一页是psot请求，请求拿到的数据是被<div>标签包围的，并不是完整的html页面，使用beautifulSoup的同学要注意，给得到的数据加上html页面的头部。这样BeautifulSoup才能正常解析。博客园没有反爬虫机制是真的好啊。

　　最后贴完整代码：

#coding:utf-8

#date:2018-12-27

#author:零度热冰

#content:爬取博客圆首页文章标题

import requests

import time

from bs4 import BeautifulSoup

import jieba

from  wordcloud import WordCloud,ImageColorGenerator,STOPWORDS

import cv2 

def getlinktitle():

    counts=0

    index=0

    f=open('down.txt','w',encoding='utf-8')

    postData={

        "CategoryType":"SiteHome",

        "ParentCategoryId":0,

        "CategoryId":808,

        "PageIndex":1,

        "TotalPostCount":4000,

        "ItemListActionName":"PostList"

        }#博客园请求页面使用post请求的请求数据

    try:

        for i in range(0,200):                                                      #博客园首页内容只有200页

            time.sleep(0.2)

            r=requests.post('https://www.cnblogs.com/mvc/AggSite/PostList.aspx',data=postData)

            index+=1

            postData['PageIndex']=index#通过改变PageIndex的值改变请求页

            if r.status_code==200:

                html='<html><head><meta charest="utf-8"><title>自定义标题</title></head><body>'+r.content.decode()+'</body></html>'

                soup=BeautifulSoup(html,'lxml')

                links=soup.select('.post_item_body  h3 a')                      #xpath is //*[@id="post_list"]/div[1]/div[2]/h3

                for i in range(0,len(links)):

                    f.write(links[i].get_text())

            else:

                print(r.status_code)

            r.close()

    except Exception as e:

        print(e)

    finally:

        f.close()

def feci():

    img=cv2.imread('bky.jpg')#使用opencv读取图片

    with open('down.txt','r',encoding='utf-8') as f:

        fctxt=' '.join(jieba.cut(f.read()))

    wd=WordCloud(background_color='white',width=480,height=480,mask=img,stopwords=STOPWORDS,font_path="C:/windows/fonts/字体管家方萌.ttf")

    wd.generate(fctxt)

    imgcolor=ImageColorGenerator(img)

    wd.recolor(color_func=imgcolor)

    wd.to_file('final.jpg')

if __name__=="__main__":

    getlinktitle()

    feci()

　　

python爬取博客圆首页文章链接+标题的更多相关文章

  1. 爬虫---lxml爬取博客文章

    上一篇大概写了下lxml的用法,今天我们通过案例来实践,爬取我的博客博客并保存在本地 爬取博客园博客 爬取思路: 1.首先找到需要爬取的博客园地址 2.解析博客园地址 # coding:utf-8 i ...

  2. Python爬取腾讯新闻首页所有新闻及评论

    前言 这篇博客写的是实现的一个爬取腾讯新闻首页所有的新闻及其所有评论的爬虫.选用Python的Scrapy框架.这篇文章主要讨论使用Chrome浏览器的开发者工具获取新闻及评论的来源地址. Chrom ...

  3. python 小爬虫爬取博客文章初体验

    最近学习 python 走火入魔,趁着热情继续初级体验一下下爬虫,以前用 java也写过,这里还是最初级的爬取html,都没有用html解析器,正则等...而且一直在循环效率肯定### 很低下 imp ...

  4. Python开发爬虫之动态网页抓取篇：爬取博客评论数据——通过Selenium模拟浏览器抓取

    区别于上篇动态网页抓取,这里介绍另一种方法,即使用浏览器渲染引擎.直接用浏览器在显示网页时解析 HTML.应用 CSS 样式并执行 JavaScript 的语句. 这个方法在爬虫过程中会打开一个浏览器 ...

  5. 使用JAVA爬取博客里面的所有文章

    主要思路: 1.找到列表页. 2.找到文章页. 3.用一个队列来保存将要爬取的网页,爬取队头的url,如果队列非空,则一直爬取. 4.如果是列表页,则抽取里面所有的文章url进队:如果是文章页,则直接 ...

  6. python：爬取博主的所有文章的链接、标题和内容

    以爬取我自己的博客为例:https://www.cnblogs.com/Mr-choa/ 1.获取所有的文章的链接: 博客文章总共占两页,比如打开第一页:https://www.cnblogs.com ...

  7. 爬取博主的所有文章并保存为PDF文件

    继续改进上一个项目,上次我们爬取了所有文章,但是保存为TXT文件,查看不方便,而且还无法保存文章中的代码和图片. 所以这次保存为PDF文件,方便查看. 需要的工具: 1.wkhtmltopdf安装包, ...

  8. Java使用Jsoup之爬取博客数据应用实例

    导入Maven依赖 <!-- https://mvnrepository.com/artifact/org.jsoup/jsoup --> <dependency> <g ...

  9. python爬取安居客二手房网站数据（转）

    之前没课的时候写过安居客的爬虫,但那也是小打小闹,那这次呢, 还是小打小闹 哈哈,现在开始正式进行爬虫书写 首先,需要分析一下要爬取的网站的结构: 作为一名河南的学生,那就看看郑州的二手房信息吧! 在 ...

随机推荐

  1. iphone、ipad等网页中电话号码呈蓝色的解决方案

    iPhone手机.ipad上的浏览器(如Safari),在解析网页的时候会自动给 像是电话号码的数字 加上link样式,所以号码呈蓝色. 可以添加下面的meta禁用掉这个功能. <meta na ...

  2. monxin cms 任意文件删除漏洞

    \program\diypage\receive\edit.php首先看到一个unlink($path);本来应该先看sql语句的,但知道是任意文件删除先跳过删除语句,看看$path怎么传入的倒推上去 ...

  3. 异步加载js文件的方法

    # 异步加载js文件 - js的加载默认是同步的,因为js是单线程执行,只能完成一件再执行下一件. - 一些外部引入的js文件可以因为文件太大,在加载资源的过程中会影响dom元素的加载,影响了用户体验 ...

  4. 转 php include

    http://www.w3school.com.cn/php/php_includes.asp PHP include 实例 例子 1 假设我们有一个名为 "footer.php" ...

  5. HashMap的小总结 + 源码分析

    一.HashMap的原理 所谓Map,就是关联数组,存的是键值对——key&value. 实现一个简单的Map,你也许会直接用两个LIst,一个存key,一个存value.然后做查询或者get ...

  6. 116 Populating Next Right Pointers in Each Node 每个节点的右向指针

    给定一个二叉树    struct TreeLinkNode {      TreeLinkNode *left;      TreeLinkNode *right;      TreeLinkNod ...

  7. Function ereg() is deprecated in

    PHP 5.3 ereg() 无法正常使用,提示"Function ereg() is deprecated Error".问题根源是php中有两种正则表示方法,一个是posix, ...

  8. Ionic之button标签ng-click无反应解决

    在使用Ionic中,使用按钮的ng-click事件,竟然点击没有反应,刚开始以为自己写得方法有问题才会不起作用,自己在点击之后就console.log()一个东西,但是console也是无法反应的.& ...

  9. 【Linux】Tmux分屏

    1.Tmux Arch维基: https://wiki.archlinux.org/index.php/Tmux_(简体中文) 官方WIKI: https://github.com/tmux/tmux ...

  10. DVWA之命令注入（command injection）

    Command injection就是指通过提交恶意构造的参数破坏命令语句结构,从而达到执行恶意命令的目的 LOW 无论是Windows还是Linux,都可以使用&&连接多个命令 执行 ...