[python爬虫] Selenium爬取内容并存储至MySQL数据库

前面我通过一篇文章讲述了如何爬取CSDN的博客摘要等信息。通常，在使用Selenium爬虫爬取数据后，需要存储在TXT文本中，但是这是很难进行数据处理和数据分析的。这篇文章主要讲述通过Selenium爬取我的个人博客信息，然后存储在数据库MySQL中，以便对数据进行分析，比如分析哪个时间段发表的博客多、结合WordCloud分析文章的主题、文章阅读量排名等。
这是一篇基础性的文章，希望对您有所帮助，如果文章中出现错误或不足之处，还请海涵。下一篇文章会简单讲解数据分析的过程。

一. 爬取的结果

爬取的地址为：http://blog.csdn.net/Eastmount

爬取并存储至MySQL数据库的结果如下所示：

运行过程如下图所示：

二. 完整代码分析

完整代码如下所示：

# coding=utf-8        
from selenium import webdriver    
from selenium.webdriver.common.keys import Keys    
import selenium.webdriver.support.ui as ui         
import re
import time
import os
import codecs
import MySQLdb

#打开Firefox浏览器 设定等待加载时间    
driver = webdriver.Firefox()
wait = ui.WebDriverWait(driver,10)    

#获取每个博主的博客页面低端总页码     
def getPage():
    print 'getPage'
    number = 0      
    texts = driver.find_element_by_xpath("//div[@id='papelist']").text      
    print '页码', texts      
    m = re.findall(r'(\w*[0-9]+)\w*',texts) #正则表达式寻找数字      
    print '页数：' + str(m[1])      
    return int(m[1])   

#主函数    
def main():
    #获取txt文件总行数
    count = len(open("Blog_URL.txt",'rU').readlines())
    print count
    n = 0
    urlfile = open("Blog_URL.txt",'r')

    #循环获取每个博主的文章摘信息 
    while n < count:  #这里爬取2个人博客信息，正常情况count个博主信息
        url = urlfile.readline()
        url = url.strip("\n")
        print url
        driver.get(url)
        #获取总页码
        allPage = getPage()
        print u'页码总数为:', allPage
        time.sleep(2)

        #数据库操作结合
        try:
            conn=MySQLdb.connect(host='localhost',user='root',
                                 passwd='123456',port=3306, db='test01')
            cur=conn.cursor() #数据库游标

            #报错:UnicodeEncodeError: 'latin-1' codec can't encode character
            conn.set_character_set('utf8')
            cur.execute('SET NAMES utf8;')
            cur.execute('SET CHARACTER SET utf8;')
            cur.execute('SET character_set_connection=utf8;')

            #具体内容处理
            m = 1 #第1页
            while m <= allPage:
                ur = url + "/article/list/" + str(m)
                print ur
                driver.get(ur)

                #标题
                article_title = driver.find_elements_by_xpath("//div[@class='article_title']")
                for title in article_title:
                    #print url
                    con = title.text
                    con = con.strip("\n")
                    #print con + '\n'

                #摘要
                article_description = driver.find_elements_by_xpath("//div[@class='article_description']")
                for description in article_description:
                    con = description.text
                    con = con.strip("\n")
                    #print con + '\n'

                #信息
                article_manage = driver.find_elements_by_xpath("//div[@class='article_manage']")
                for manage in article_manage:
                    con = manage.text
                    con = con.strip("\n")
                    #print con + '\n'

                num = 0
                print u'长度', len(article_title)
                while num < len(article_title):
                    #插入数据 8个值
                    sql = '''insert into csdn_blog
                                (URL,Author,Artitle,Description,Manage,FBTime,YDNum,PLNum)
                            values(%s, %s, %s, %s, %s, %s, %s, %s)'''
                    Artitle = article_title[num].text
                    Description = article_description[num].text
                    Manage = article_manage[num].text
                    print Artitle
                    print Description
                    print Manage
                    #获取作者
                    Author = url.split('/')[-1]
                    #获取阅读数和评论数
                    mode = re.compile(r'\d+\.?\d*')
                    YDNum = mode.findall(Manage)[-2]
                    PLNum = mode.findall(Manage)[-1]
                    print YDNum
                    print PLNum
                    #获取发布时间
                    end = Manage.find(u' 阅读')
                    FBTime = Manage[:end]
                    cur.execute(sql, (url, Author, Artitle, Description, Manage,FBTime,YDNum,PLNum))  

                    num = num + 1
                else:
                    print u'数据库插入成功'                
                m = m + 1


        #异常处理
        except MySQLdb.Error,e:
            print "Mysql Error %d: %s" % (e.args[0], e.args[1])
        finally:
            cur.close()  
            conn.commit()  
            conn.close()

        n = n + 1

    else:
        urlfile.close()
        print 'Load Over'

main()

在Blog_Url.txt文件中放置需要爬取用户的博客地址URL，如下图所示。注意在此处，作者预先写了个爬取CSDN所有专家的URL代码，这里为访问其他人用于提升阅读量已省略。

分析过程如下所示。
1.获取博主总页码
首先从Blog_Url.txt读取博主地址，然后访问并获取页码总数。代码如下：

#获取每个博主的博客页面低端总页码     def getPage():    print 'getPage'    number = 0          texts = driver.find_element_by_xpath("//div[@id='papelist']").text          print '页码', texts          m = re.findall(r'(\w*[0-9]+)\w*',texts) #正则表达式寻找数字          print '页数：' + str(m[1])          return int(m[1])

比如获取总页码位17页，如下图所示：

2.翻页DOM树分析
这里的博客翻页采用的是URL连接，比较方便。
如： http://blog.csdn.net/Eastmount/article/list/2
故只需要：1.获取总页码；2.爬取每页信息；3.URL设置进行循环翻页；4.再爬取。
也可以采用点击"下页"跳转，没有"下页"停止跳转，爬虫结束，接着爬取下一个博主。

3.获取详细信息：标题、摘要、时间
然后审查元素分析每个博客页面，如果采用BeautifulSoup爬取会报错"Forbidden"。
发现每篇文章都是由一个<div></div>组成，如下所示，只需要定位到该位置即可。

这里定位到该位置即可爬取，这里需要分别定位标题、摘要、时间。

代码如下所示。注意，在while中同时获取三个值，它们是对应的。

#标题article_title = driver.find_elements_by_xpath("//div[@class='article_title']")for title in article_title:    con = title.text    con = con.strip("\n")    print con + '\n'                #摘要article_description = driver.find_elements_by_xpath("//div[@class='article_description']")for description in article_description:    con = description.text    con = con.strip("\n")    print con + '\n'#信息article_manage = driver.find_elements_by_xpath("//div[@class='article_manage']")for manage in article_manage:    con = manage.text    con = con.strip("\n")    print con + '\n'num = 0print u'长度', len(article_title)while num < len(article_title):    Artitle = article_title[num].text    Description = article_description[num].text    Manage = article_manage[num].text    print Artitle, Description, Manage

4.特殊字符串处理
获取URL最后一个/后的博主名称、获取字符串时间、阅读数代码如下：

#获取博主姓名url = "http://blog.csdn.net/Eastmount"print url.split('/')[-1]#输出: Eastmount#获取数字name = "2015-09-08 18:06 阅读(909) 评论(0)"print nameimport remode = re.compile(r'\d+\.?\d*')  print mode.findall(name)#输出: ['2015', '09', '08', '18', '06', '909', '0']print mode.findall(name)[-2]#输出: 909#获取时间end = name.find(r' 阅读')print name[:end]#输出: 2015-09-08 18:06import time, datetimea = time.strptime(name[:end],'%Y-%m-%d %H:%M')print a#输出: time.struct_time(tm_year=2015, tm_mon=9, tm_mday=8, tm_hour=18, tm_min=6,#      tm_sec=0, tm_wday=1, tm_yday=251, tm_isdst=-1)

三. 数据库相关操作

SQL语句创建表代码如下：

CREATE TABLE `csdn` (  `ID` int(11) NOT NULL AUTO_INCREMENT,  `URL` varchar(100) COLLATE utf8_bin DEFAULT NULL,  `Author` varchar(50) COLLATE utf8_bin DEFAULT NULL COMMENT '作者',  `Artitle` varchar(100) COLLATE utf8_bin DEFAULT NULL COMMENT '标题',  `Description` varchar(400) COLLATE utf8_bin DEFAULT NULL COMMENT '摘要',  `Manage` varchar(100) COLLATE utf8_bin DEFAULT NULL COMMENT '信息',  `FBTime` datetime DEFAULT NULL COMMENT '发布日期',  `YDNum` int(11) DEFAULT NULL COMMENT '阅读数',  `PLNum` int(11) DEFAULT NULL COMMENT '评论数',  `DZNum` int(11) DEFAULT NULL COMMENT '点赞数',  PRIMARY KEY (`ID`)) ENGINE=InnoDB AUTO_INCREMENT=9371 DEFAULT CHARSET=utf8 COLLATE=utf8_bin;

显示如下图所示：

[python爬虫] Selenium爬取内容并存储至MySQL数据库

其中，Python调用MySQL推荐下面这篇文字。
[python] 专题九.Mysql数据库编程基础知识
核心代码如下所示：

# coding:utf-8 import MySQLdb try:    conn=MySQLdb.connect(host='localhost',user='root',passwd='123456',port=3306, db='test01')    cur=conn.cursor()        #插入数据    sql = '''insert into student values(%s, %s, %s)'''    cur.execute(sql, ('yxz','111111', '10'))    #查看数据    print u'\n插入数据:'    cur.execute('select * from student')    for data in cur.fetchall():        print '%s %s %s' % data    cur.close()    conn.commit()    conn.close()except MySQLdb.Error,e:     print "Mysql Error %d: %s" % (e.args[0], e.args[1])

注意，在下载过程中，有的网站是新版本的，无法获取页码。
比如：http://blog.csdn.net/michaelzhou224
这时需要简单设置，跳过这些链接，并保存到文件中，核心代码如下所示：

#获取每个博主的博客页面低端总页码     def getPage():    print 'getPage'    number = 0          #texts = driver.find_element_by_xpath("//div[@id='papelist']").text    texts = driver.find_element_by_xpath("//div[@class='pagelist']").text    print 'testsss'    print u'页码', texts    if texts=="":        print u'页码为0 网站错误'        return 0    m = re.findall(r'(\w*[0-9]+)\w*',texts) #正则表达式寻找数字          print u'页数：' + str(m[1])          return int(m[1])

主函数修改：

    error = codecs.open("Blog_Error.txt", 'a', 'utf-8')    #循环获取每个博主的文章摘信息     while n < count:  #这里爬取2个人博客信息，正常情况count个博主信息        url = urlfile.readline()        url = url.strip("\n")        print url        driver.get(url+"/article/list/1")        #print driver.page_source        #获取总页码        allPage = getPage()        print u'页码总数为:', allPage        #返回错误，否则程序总截住        if allPage==0:            error.write(url + "\r\n")            print u'错误URL'            continue;   #跳过进入下一个博主        time.sleep(2)        #数据库操作结合        try:              .....

最后希望文章对你有所帮助，如果文章中存在错误或不足之处，还请海涵~
提高效率，提升科研，认真教学，娜美人生。
（By:Eastmount 2017-03-13 下午1点半 http://blog.csdn.net/eastmount/ ）

秒客网

[python爬虫] Selenium爬取内容并存储至MySQL数据库

一. 爬取的结果

二. 完整代码分析

三. 数据库相关操作

相关文章