一、前言
这篇文章主要介绍了如何使用Python3爬取 csdn 博客访问量的相关资料,在Python2已实现的基础上实现Python3爬虫，对比版本之间的差异所在，需要的朋友可以参考下。
使用python来获取自己博客的访问量，也是后面将要开发项目的一部分，后边会对博客的访问量进行分析，以折线图和饼图等可视化的方式展示自己博客被访问的情况，使自己能更加清楚自己的哪些博客更受关注。其实，在较早之前博客专家本身就有这个功能，不知什么原因此功能被取消了。
二、网址分析
进入自己的博客页面，网址为：http://blog.csdn.net/sunhuaqiang1。 网址还是比较好分析的：就是 csdn 的网址+个人 csdn 登录账号，我们来看下一页的网址。
看到第二页的地址为：http://blog.csdn.net/sunhuaqiang1/article/list/2后边的数字表示现在正处于第几页，再用其他的页面验证一下，确实是这样的，那么第一页为什么不是http://blog.csdn.net/sunhuaqiang1/article/list/1呢，那么我们在浏览器中输http://blog.csdn.net/sunhuaqiang1/article/list/1试试，哎，果然是第一页啊，第一页原来是被重定向了，http://blog.csdn.net/sunhuaqiang1被重定向到http://blog.csdn.net/sunhuaqiang1/article/list/1，所以两个网址都能访问第一页，那么现在规律就非常明显了： http://blog.csdn.net/sunhuaqiang1/article/list/ + 页号
三、获取标题
右键查看网页的源代码，我们看到可以找到这样一段代码：
我们可以看到标题都是在标签
<span class="link_title"><a href="/sunhuaqiang1/article/details/50651235">...</a></span>
复制代码
所以我们可以使用下面的正则表达式来匹配标题：
<span class="link_title"><a href=".*?">(.*?)</a></span>
复制代码
四、获取访问量
拿到了标题之后，就要获得对应的访问量了，经过对源码的分析，我看到访问量的结构都是这样的：
<span class="link_view" title="阅读次数"><a href="/sunhuaqiang1/article/details/51289580" title="阅读次数">阅读</a>(12718)</span>
复制代码
括号中的数字即为访问量，我们可以用下面的正则表达式来匹配：
<span class="link_view".*?><a href=".*?" title="阅读次数">阅读</a>\((.*?)\)</span>
复制代码
其中，’.?’的含义是启用正则懒惰模式。必须跟在或者+后边用。
如：“< img src="test.jpg" width="60px" height="80px"/>"
如果用正则匹配 src 中内容非懒惰模式匹配
匹配结果是：src="test.jpg" width="60px" height="80px"
意思是从="往后匹配，直到最后一个"匹配结束懒惰模式正则：
结果：src="test.jpg"
因为匹配到第一个"就结束了一次匹配。不会继续向后匹配。因为他懒惰嘛。
.表示除\n之外的任意字符
*表示匹配 0-无穷
+表示匹配 1-无穷
五、尾页判断
接下来我们要判断当前页是否为最后一页，否则我们就不能判断什么时候结束了，我找到了源码中‘尾页'的标签，发现是下面的结构：
<a href="/sunhuaqiang1/article/list/2">下一页</a> <a href="/sunhuaqiang1/article/list/7">尾页</a>
复制代码
所以我们可以用下面的正则表达式来匹配，如果匹配成功就说明当前页不是最后一页，否则当前页就是最后一页。
六、编程实现
下面是摘自的 Python2 版完整的代码实现：
#!usr/bin/python# -*- coding: utf-8 -*-'''Created on 2016年2月13日@author: ***使用python爬取csdn个人博客的访问量，主要用来练手'''import urllib2import re#当前的博客列表页号page_num = 1#不是最后列表的一页notLast = 1account = str(raw_input('输入csdn的登录账号:'))while notLast: #首页地址 baseUrl = 'http://blog.csdn.net/'+account #连接页号，组成爬取的页面网址 myUrl = baseUrl+'/article/list/'+str(page_num) #伪装成浏览器访问，直接访问的话csdn会拒绝 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' headers = {'User-Agent':user_agent} #构造请求 req = urllib2.Request(myUrl,headers=headers) #访问页面 myResponse = urllib2.urlopen(req) myPage = myResponse.read() #在页面中查找是否存在‘尾页'这一个标签来判断是否为最后一页 notLast = re.findall('<a href=".*?">尾页</a>',myPage,re.S) print '---------------第%d页-------------' % (page_num,) #利用正则表达式来获取博客的标题 title = re.findall('<span class="link_title"><a href=".*?">(.*?)</a></span>',myPage,re.S) titleList=[] for items in title: titleList.append(str(items).lstrip().rstrip()) #利用正则表达式获取博客的访问量 view = re.findall('<span class="link_view".*?><a href=".*?" title="阅读次数">阅读</a>\((.*?)\)</span>',myPage,re.S) viewList=[]for items in view: viewList.append(str(items).lstrip().rstrip())#将结果输出 for n in range(len(titleList)): print '访问量:%s 标题:%s' % (viewList[n].zfill(4),titleList[n])#页号加1page_num = page_num + 1
复制代码
由于自己现在的 IDE 为 Python3，且自己在学习 Python3。故在此基础上实现 Python2 项目的升级改造，并在改造过程中发现版本之间的差异性。以下为 Python3 版本下的爬虫代码。
#!usr/bin/python# -*- coding: utf-8 -*-'''Created on 2017年3月19日@author: SUN HuaQiang目的：使用python爬取csdn个人博客的访问量，主要用来练手Python爬虫收获：1.了解Python爬虫的基本过程 2.在Python2的基础上实现Python3,通过对比发现版本之间的差异'''import urllib.requestimport urllibimport re
#当前的博客列表页号page_num = 1#初始化最后列表的页码notLast = 1account = str(input('请输入csdn的登录账号:'))while notLast: #首页地址 baseUrl = 'http://blog.csdn.net/' + account #连接页号，组成爬取的页面网址 myUrl = baseUrl+'/article/list/' + str(page_num) #伪装成浏览器访问，直接访问的话csdn会拒绝 user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' headers = {'User-Agent':user_agent} #构造请求 req = urllib.request.Request(myUrl,headers=headers) #访问页面 myResponse = urllib.request.urlopen(req) #python3中urllib.read返回的是bytes对象，不是string,得把它转换成string对象，用bytes.decode方法 myPage = myResponse.read().decode() #在页面中查找是否存在‘尾页'这一个标签来判断是否为最后一页 notLast = re.findall('<a href=".*?">尾页</a>', myPage, re.S) print ('-----------第%d页--------------' % (page_num,)) #利用正则表达式来获取博客的标题 title = re.findall('<span class="link_title"><a href=".*?">(.*?)</a></span>',myPage,re.S) titleList=[] for items in title: titleList.append(str(items).lstrip().rstrip()) #利用正则表达式获取博客的访问量 view = re.findall('<span class="link_view".*?><a href=".*?" title="阅读次数">阅读</a>\((.*?)\)</span>',myPage,re.S) viewList=[] for items in view: viewList.append(str(items).lstrip().rstrip()) #将结果输出 for n in range(len(titleList)): print ('访问量:%s 标题:%s' % (viewList[n].zfill(4),titleList[n])) #页号加1 page_num = page_num + 1
复制代码
下面是部分结果：
瑕疵：通过爬虫结果可以发现，在 CSDN 中，对于设置为指定的文章，爬取结果存在一定的问题，还包含部分 css 代码。
改善：通过更改获取博文标题的正则表达式，即可解决此问题。
想法是好的，但是直接利用正则实现标题获取时遇到了困难，暂时并未实现理想结果。
遂改变思路，将利用正则获取后的字符串再进行二次正则，即替换操作，语句如下：
for items in title: titleList.append(re.sub('<font color="red">.*?</font>', '', str(items).lstrip().rstrip()))
复制代码
更改后的结果如下。并同时为每篇博文进行了编号。
同时，自己还希望获取到的信息包括：访问总量、积分、等级、排名、粉丝、原创、转载、译文、评论等数据信息。
以上信息在网页源码中如下所示。
<ul id="blog_rank"> <li>访问：<span>459285次</span></li> <li>积分：<span>9214</span> </li> <li >等级： <span style="position:relative;display:inline-block;z-index:1" > <img src="http://c.csdnimg.cn/jifen/images/xunzhang/jianzhang/blog6.png" alt="" style="vertical-align: middle;" id="leveImg"> <div id="smallTittle" style=" position: absolute; left: -24px; top: 25px; text-align: center; width: 101px; height: 32px; background-color: #fff; line-height: 32px; border: 2px #DDDDDD solid; box-shadow: 0px 2px 2px rgba (0,0,0,0.1); display: none; z-index: 999;"> <div style="left: 42%; top: -8px; position: absolute; width: 0; height: 0; border-left: 10px solid transparent; border-right: 10px solid transparent; border-bottom: 8px solid #EAEAEA;"></div> 积分：9214 </div> </span> </li> <li>排名：<span>第1639名</span></li> </ul> <ul id="blog_statistics"> <li>原创：<span>425篇</span></li> <li>转载：<span>44篇</span></li> <li>译文：<span>2篇</span></li> <li>评论：<span>108条</span></li> </ul>
复制代码
则获取访问信息的正则表达式为：
#利用正则表达式获取博客信息sumVisit = re.findall('<li>访问：<span>(.*?)</span></li>', myPage, re.S)credit = re.findall('<li>积分：<span>(.*?)</span> </li>', myPage, re.S)rank = re.findall('<li>排名：<span>(.*?)</span></li>', myPage, re.S)grade = re.findall('<li >.*?<img src=.*?/blog(.*?).png.*?>.*?</li>', test3, re.S)original = re.findall('<li>原创：<span>(.*?)</span></li>', myPage, re.S)reprint = re.findall('<li>转载：<span>(.*?)</span></li>', myPage, re.S)trans = re.findall('<li>译文：<span>(.*?)</span></li>', myPage, re.S)comment = re.findall('<li>评论：<span>(.*?)</span></li>', myPage, re.S)
复制代码
根据网页源码，可得出其正则表达式为
staData = re.findall('<li><a href=.*?>(.*?)</a><span>(.*?)</span></li>', myPage, re.S)
for i in staData: print(i[0] + ':' + i[1].lstrip('(').rstrip(')')+'篇')
复制代码
经过以上操作，得到的用户 Blog 信息如下图所示：
最终遇到的问题是：有关粉丝数的爬取遇到了问题，因为前面数据信息的获取不需要用户登录，而用户粉丝数是在用户已登录情景下获取的，故需要将用户登录信息添加进去。犯愁~
PS:论文盲审送回来了，自己这段时间要用来修改论文了，后面的博客后面再说吧~
七、注意事项
urllib2在 3.5 中为urllib.request；
raw_input()在 3.5 中为input()；
python3 中urllib.read()返回的是 bytes 对象，不是 string,得把它转换成 string 对象，用bytes.decode()方法；
re.S 意在使.匹配包括换行在内的所有字符；
python3 对urllib和urllib2进行了重构，拆分成了urllib.request,urllib.response,urllib.parse,urllib.error等几个子模块，这样的架构从逻辑和结构上说更加合理。urljoin现在对应的函数是urllib.parse.urljoin。
注：Python2 部分的爬虫代码为网络获取，在此向匿名人士表示感谢。
评论