python爬虫爬取博客园

python 爬取 博客园 接 蚂蚁学pythonP5生产者消费者爬虫数据重复问题

• 先看访问地址
  

  • 访问地址是https://www.cnblogs.com/#p2 但是实际访问地址是https://www.cnblogs.com 说明其中存在猫腻；像这种我们给定指定页码，按理应该是 post 请求才对；于是乎 往下看了几个连接
    

  • 然后再看一下payload 发现这个post 请求 才是我们想要的链接 其中PageIndex 就是我们要设置的页数
    

• 代码撸起来

  # Author: Lovyya
  # File : blog_spider
  import requests
  import json
  from bs4 import BeautifulSoup
  import re
  # 这个是为和老师的urls一致性 匹配urls里面的数字
  rule = re.compile(\"\\d+\")
  
  urls = [f\'https://www.cnblogs.com/#p{page}\' for page in range(1, 31)]
  
  # pos请求网址
  url = \"https://www.cnblogs.com/AggSite/AggSitePostList\"
  headers = {
  	\"content-type\": \"application/json\",
  	\"user-agent\":\"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36 Edg/95.0.1020.30\"
  }
  
  def craw(urls):
  	#idx 是\'xxx.xxxx.xxx/#p{num}\' 里面的num 这样写可以不用改 后面生产者消费者的代码 
  	idx = rule.findall(urls)[0]
  	# payload参数 只需要更改 idx 就行
  	payload = {
  		\"CategoryType\": \"SiteHome\", 
  		\"ParentCategoryId\": 0, 
  		\"CategoryId\": 808, 
  		\"PageIndex\": idx,
  		\"TotalPostCount\": 4000, 
  		\"ItemListActionName\": \"AggSitePostList\"
  	}
  	r = requests.post(url, data=json.dumps(payload), headers=headers)
  	return r.text
  
  def parse(html):
  	# post-item-title
  	soup = BeautifulSoup(html, \"html.parser\")
  	links = soup.find_all(\"a\", class_=\"post-item-title\")
  	return [(link[\"href\"], link.get_text()) for link in links]
  
  if __name__ == \'__main__\':
  	for res in parse(craw(urls[2])):
  		print(res)

来源：https://www.cnblogs.com/lovy-ivy/p/16551416.html
本站部分图文来源于网络，如有侵权请联系删除。