Python 爬虫爬取指定博客的所有文章(python爬虫爬取网页数据)

编辑：rootadmin

推荐整理分享Python 爬虫爬取指定博客的所有文章(python爬虫爬取网页数据)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:python 爬虫爬取网络小说标题,python 爬虫爬取php网页,python爬虫爬取电影代码,python爬虫爬取电影,python爬虫爬取天气数据,python爬虫爬取天气数据,python爬虫爬取视频,python爬虫爬取视频,内容如对您有帮助，希望把文章链接给更多的朋友！

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：

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

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＊篇文章的话。。。最多只能拿到篇。。。。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＋篇文章。。。无遗漏掉的被爬下来了。。

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<script>tag的不规范html页面的解析不准确。。。

我放弃了这个库，又试了lxml..基于xpath 很好用。。但是xpath的东西我老是需要查文档。。。所以我又找了个库PyQuery…可以用jQuery选择器的工具。。。非常非常非常好用。。。。具体的用法就看上面吧。。。这个库有前途。。。

隐忧因为pyquery基于lxml…而lxml的底层又是c…所以估计在gae上用不了。。。我这个爬虫只能现在在我的电脑上爬好东西。。。然后push到server上。。。

总结

一句话，我爱死Python了两句话，我爱死Python了，我爱死Django了三句话，我爱死Python了，我爱死Django了，我爱死jQuery了。。。四句号，我爱死Python了，我爱死Django了，我爱死jQuery了，我爱死pyQuery了。。。

玩转python爬虫之cookie使用方法之前一篇文章我们学习了爬虫的异常处理问题，那么接下来我们一起来看一下Cookie的使用。为什么要使用Cookie呢？Cookie，指某些网站为了辨别用户身份

玩转python爬虫之URLError异常处理本节在这里主要说的是URLError还有HTTPError，以及对它们的一些处理。1.URLError首先解释下URLError可能产生的原因：网络无连接，即本机无法上网连接不到特

玩转python爬虫之正则表达式面对大量杂乱的代码夹杂文字我们怎样把它提取出来整理呢？下面就开始介绍一个十分强大的工具，正则表达式！1.了解正则表达式正则表达式是对字符

标签: python爬虫爬取网页数据

本文链接地址:https://www.jiuchutong.com/biancheng/382361.html 转载请保留说明！

上一篇：Using Django with GAE Python 后台抓取多个网站的页面全文

下一篇：玩转python爬虫之cookie使用方法(python爬虫入门教程)