python怎么爬取简书网文章

python爬取简书网文章的步骤：

1、准备工作，创建scrapy爬虫，建立数据库和表

# 打开 CMD 或者终端到一个指定目录
# 新建一个项目
scrapy startproject jianshu_spider
cd jianshu_spider
# 创建一个爬虫
scrapy genspider -t crawl jianshu "jianshu.com"

2、爬取思路，检查网页的所有href属性，获取文章链接地址

3、代码实现，解析主页网址获取文章链接，构建item模型保存数据，将获取的数据保存到数据库中

第一步是指定开始爬取的地址和爬取规则。

allowed_domains = ['jianshu.com'] 
start_urls = ['https://www.jianshu.com/']  
rules = (        # 文章id是有12位小写字母或者数字0-9构成        
Rule(LinkExtractor(allow=r'.*/p/[0-9a-z]{12}.*'), callback='parse_detail', follow=True),    )

第二步是拿到下载器下载后的数据 Response，利用 Xpath 语法获取有用的数据。这里可以使用「 Scrapy shell url 」去测试数据是否获取正确。

# 获取需要的数据 

title = response.xpath('//h1[@class="title"]/text()').get() 
author = response.xpath('//div[@class="info"]/span/a/text()').get() 
avatar = self.HTTPS + response.xpath('//div[@class="author"]/a/img/@src').get() 
pub_time = response.xpath('//span[@class="publish-time"]/text()').get().replace("*", "")
current_url = response.url real_url = current_url.split(r"?")[0] 
article_id = real_url.split(r'/')[-1] 
content = response.xpath('//div[@class="show-content"]').get()

然后构建 Item 模型用来保存数据。

import scrapy
# 文章详情Itemclass ArticleItem(scrapy.Item):    
title = scrapy.Field()    
content = scrapy.Field()    
# 文章id   
article_id = scrapy.Field()   
# 原始的url  
origin_url = scrapy.Field()    
# 作者    
author = scrapy.Field()    
# 头像    
avatar = scrapy.Field()    
# 发布时间    
pubtime = scrapy.Field()

第三步是将获取的数据通过 Pipline 保存到数据库中。

# 数据库连接属性
db_params = {            
'host': '127.0.0.1',            
'port': 3306,            
'user': 'root',          
'password': 'root',         
 'database': 'jianshu',          
'charset': 'utf8'
}
# 数据库【连接对象】
self.conn = pymysql.connect(**db_params)

# 执行 sql 语句
self.cursor.execute(self._sql,(item['title'],item['content'],item['author'],item['avatar'],item['pubtime'],item['article_id'],item['origin_url']))
# 插入到数据库中
self.conn.commit()
# 关闭游标资源
self.cursor.close()

执行结果如下：

更多Python知识，请关注：Python自学网！！