python10min系列之小爬虫
前一篇可视化大家表示有点难，写点简单的把，比如命令行里看论坛的十大，大家也可以扩展为抓博客园的首页文章
本文原创，同步发布在我的github上
据说去github右上角先给个star再看，能掌握博客代码的100% 哈哈
我是北交大的，所以就拿自己学校练手吧 知行论坛，大家学会方法后，爬什么都很easy啦，用简单的代码，说明简单爬虫的原理即可
基本所有学校论坛，都有一个十大模块，我们学校也不例外，也是我比较关注的，我们就写个脚本爬一下十大列表吧
图里红色方块，就是我关心的部分，在写爬虫之前，我们先来普及一下基础知识，我们看到的网站，是红红绿绿，挺好看的，但是代码看来，其实就是一大串字符构成，比如我们新建一个文件，zhixing.html，注意，一定要用.html结尾，用文本编辑器打开，输入以下内容
name:<input type="text">
<input type="button" value="click me">
然后双击，浏览器会打开这个页面，你就会看到一个输入框，和一个按钮，见下图，这就是最简单的html
所以我们用代码去抓各种网站，代码其实看到的，就是一堆html标签，我们需要做的，就是从标签里面解析出我们想要的内容，并且输出
我们需要python的requests模块来发送请求，用pyquery来解析数据
# coding=utf-8
import requests
url = 'http://zhixing.bjtu.edu.cn/portal.php'
r = requests.get(url)
print r.text
这几行代码抓取的内容，应该和大家在浏览器里 右键->查看源代码看到的东西是一样的
我们已经获取和网页的内容，肿么拿到十大的内容呢
复杂的html结构，各种层级嵌套，如果想自己写一个解析html的工具，估计还没学会编程就直接狗带了，我们一定要善于使用现有的工具，比如我很喜欢的pyquery，
- pyquery是python的一个模块，使用jquery的语法解析html文档
身为一个前端工程师，对pyquery简直毫无抵抗力，看代码之前，给大家再普及一下，我们在chrome里右键->审查元素（或者点F12），就可以看到浏览器的元素层级结构，具体见下图，我们通过html元素的id或者class属性找到元素即可
先看下F12页面，比如我们查看头部的banner广告
再看十大对应的标签位置
找到了两个模块的id，聚焦的id是portal_block_654，十大的是portal_block_617
再深入寻找十大标题的具体标签，见下图
我们找到了具体的标签，通俗易懂的方式就是，网页里面，id是portal_block_617和标签下面的li标签，下面的a标签就是
- 找id的语法，是#，class是小数点. 标签就是标签名，这是juqey的基本语法，这些基础内容可以直接百度
代码呼之欲出
# coding=utf-8
import requests
from pyquery import PyQuery as pq
url = 'http://zhixing.bjtu.edu.cn/portal.php'
r = requests.get(url)
p = pq(r.text).find('#portal_block_617 li>a')
for d in p:
print pq(d).text()
效果如图 不动戳大
我们已经成功拿到标题啦，如果想加上今日聚焦，今日聚焦和十大的标签结构有点不太一样，是table包起来的，所以只需要稍微改一下下，代码如下,主要是find的地方不太一样
# coding=utf-8
import requests
from pyquery import PyQuery as pq
url = 'http://zhixing.bjtu.edu.cn/portal.php'
r = requests.get(url)
p = pq(r.text).find('#portal_block_654 table a')
for d in p:
print pq(d).text()
执行效果如下
bingo，稍微扩展一下上面的代码，把每个十大的连接地址拿出来(今日聚焦的自己扩展吧)
# coding=utf-8
import requests
from pyquery import PyQuery as pq
url = 'http://zhixing.bjtu.edu.cn/portal.php'
r = requests.get(url)
p = pq(r.text).find('#portal_block_617 li>a')
for d in p:
print pq(d).text()
print 'http://zhixing.bjtu.edu.cn/'+pq(d).attr('href')
效果如下
最终结果
今天舍友推荐了首神曲，超越《忐忑》
http://zhixing.bjtu.edu.cn/thread-976923-1-1.html
咱们交大部分人素质真心不敢恭维
http://zhixing.bjtu.edu.cn/thread-976951-1-1.html
大摆长裙如何愉快滴坐下
http://zhixing.bjtu.edu.cn/thread-976887-1-1.html
积分增长这么慢，何日才能升级啊。。。
http://zhixing.bjtu.edu.cn/thread-976954-1-1.html
求推介高清电影论坛
http://zhixing.bjtu.edu.cn/thread-976901-1-1.html
我双十一的包裹终于到北京辣~\(≧▽≦)/~
http://zhixing.bjtu.edu.cn/thread-976912-1-1.html
【论】别人家的学校~
http://zhixing.bjtu.edu.cn/thread-976966-1-1.html
我觉得知行应该搞一个板块叫过往的十大
http://zhixing.bjtu.edu.cn/thread-976946-1-1.html
我觉得在宿舍拖凳子声音应该小点
http://zhixing.bjtu.edu.cn/thread-976928-1-1.html
免费的论文查重网站
http://zhixing.bjtu.edu.cn/thread-976970-1-1.html
今天的第一部分先单这里，我们已经拿到了连接地址，就可以继续去抓帖子的具体地址，还可以根据用户选择，去查看不同帖子的内容，甚至还可以发帖和恢复，但是有一个问题，那就是
- 知行的帖子查看是需要登录的，我们现在直接抓，只会抓到让你登录的信息
我们需要一个东西叫做cookie，我们的登录信息都存放在cookie里面，我们抓取网页的时候，带上登录信息，就像咱们的一卡通一样，不带卡进宿舍楼，就会被拦着，带着一卡通就可以畅通无阻啦，我们就需要带着登录的cookie去抓十大的具体信息就OK拉
后续教程：
- 模拟登录，抓取十大具体的帖子内容
- 简单的回复帖子
- 把十大的信息汇总，生成pdf
- 会抓取信息，后续扩展就很多啦，比如爬知乎的文章，爬天气预报，然后汇总一下，给自己发邮件都是很easy的拉
- 利用新浪微博的接口，做一个命令行版的微博，命令行里就可以刷微博
- 比如知乎上的PC大大，是我很崇拜的，可以把他的专栏 面向工资编程的所有文章都爬下来，拼接一下，自动生成一个pdf，打印出来周末在家慢慢读，这是我下一步要做的教程，大家敬请期待
以上，都是在命令行里执行的 我写代码的间隙，执行一下命令，就可以看下母校的十大，关注一下学校最近的状况，不耽误时间哦