個人主頁：http://hellogod.cn
本文永久更新地址：博客:http://hellogod.cn
介紹一個在GitHub上看到的通用的python爬蟲，難度不大吼砂，是一個蠻好玩的點(diǎn)，順便總結(jié)一下python爬蟲的一些需要注意的點(diǎn)桅打。
先上鏈接：github源碼
1. 項(xiàng)目簡介
大家可以看一下這個網(wǎng)站 https://github.com/trending
隨時關(guān)注最新的技術(shù)動向浪南，永遠(yuǎn)是一個程序員應(yīng)該做到的，但我們不能做到每天去查看溢谤，于是就誕生了這個repo（更正為原作者寫了這個repo），我們將爬蟲掛在Linux服務(wù)器上憨攒，定期爬取并且推送到自己的repo上世杀，只要有時間，就可以看到之前的所有熱門項(xiàng)目肝集。
順便說一句這樣是不是還可以刷一波GitHub commit
代碼po在了最后面
2. 關(guān)于python的私人總結(jié)
使用python開發(fā)爬蟲的時候需要注意哪些瞻坝？
1.區(qū)分python版本
python 2.x 3.x 差別很大，如果遇到就編譯通不過杏瞻，及早意識到進(jìn)行修正還好所刀，若是語法差別不大卻沒有意識到，有時候會給自己惹來很大的麻煩
2.關(guān)注幾種易于混淆的數(shù)據(jù)類型
- Tuples
- Lists
- Dictionary
-
Json
需要格外關(guān)注這幾種類型之間的轉(zhuǎn)換捞挥，我們知道python是一種弱數(shù)據(jù)類型語言浮创，但不代表著它的數(shù)據(jù)類型可以混用，反而砌函，正因?yàn)槿趸寺暶髡杜抛層行┎僮鞲尤菀壮鲥e，這時候我們需要做的胸嘴，就是仔細(xì)閱讀文檔雏掠，熟悉不同的用法。
Tuples
推薦文檔：Tuples, Lists, and Dictionaries
3.注意合理使用第三方類庫
python相對于java等語言劣像，最大的優(yōu)勢就在于其具有很大規(guī)模的封裝良好的類庫，可以讓我們使用短短的幾行代碼摧玫，實(shí)現(xiàn)很多功能耳奕。這里列舉幾個常用的庫和框架：
- virtualenv 創(chuàng)建獨(dú)立 Python 環(huán)境的工具。
- Beautiful Soup 提供一些簡單的诬像、python式的函數(shù)用來處理導(dǎo)航屋群、搜索、修改分析樹等功能 簡單的說就是解析網(wǎng)頁
- Scrapy 強(qiáng)大的爬蟲框架Scrapy
限于篇幅坏挠，放幾個鏈接大家自己進(jìn)去看
哪些 Python 庫讓你相見恨晚芍躏？
Python 常用的標(biāo)準(zhǔn)庫以及第三方庫有哪些？
3. 代碼
下面是注釋版代碼降狠，python2.7 用了requests PyQuery等幾個類庫
代碼寫的比較明確了对竣，就沒有過多注釋
#!/usr/local/bin/python2.7
# coding:utf-8
import datetime
import codecs
import requests
import os
import time
from pyquery import PyQuery as pq
#git操作 推送到遠(yuǎn)程repo
def git_add_commit_push(date, filename):
cmd_git_add = 'git add .'
cmd_git_commit = 'git commit -m "{date}"'.format(date=date)
cmd_git_push = 'git push -u origin master'
os.system(cmd_git_add)
os.system(cmd_git_commit)
os.system(cmd_git_push)
def createMarkdown(date, filename):
with open(filename, 'w') as f:
f.write("###" + date + "\n")
def scrape(language, filename):
HEADERS = {
'User-Agent' : 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.7; rv:11.0) Gecko/20100101 Firefox/11.0',
'Accept' : 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
'Accept-Encoding' : 'gzip,deflate,sdch',
'Accept-Language' : 'zh-CN,zh;q=0.8'
}
url = 'https://github.com/trending/{language}'.format(language=language)
r = requests.get(url, headers=HEADERS)
assert r.status_code == 200
# print(r.encoding)
d = pq(r.content)
items = d('ol.repo-list li')
# codecs to solve the problem utf-8 codec like chinese
with codecs.open(filename, "a", "utf-8") as f:
f.write('\n####{language}\n'.format(language=language))
for item in items:
i = pq(item)
title = i("h3 a").text()
owner = i("span.prefix").text()
description = i("p.col-9").text()
url = i("h3 a").attr("href")
url = "https://github.com" + url
# ownerImg = i("p.repo-list-meta a img").attr("src")
# print(ownerImg)
f.write(u"* [{title}]({url}):{description}\n".format(title=title, url=url, description=description))
#定時爬取對應(yīng)語言的并寫入到markdown文本中
def job():
strdate = datetime.datetime.now().strftime('%Y-%m-%d')
filename = '{date}.md'.format(date=strdate)
# create markdown file
createMarkdown(strdate, filename)
# write markdown
scrape('python', filename)
scrape('swift', filename)
scrape('javascript', filename)
scrape('go', filename)
scrape('Objective-C', filename)
scrape('Java', filename)
scrape('C++', filename)
scrape('C#', filename)
# git add commit push
git_add_commit_push(strdate, filename)
#主函數(shù)
if __name__ == '__main__':
while True:
job()
time.sleep(12 * 60 * 60)
4. 擴(kuò)展及埋坑 下集預(yù)告
這里分享幾個python相關(guān)的重要鏈接庇楞，看了一定會有收獲（尤其是前兩者），而且很大否纬，沒效果你回來打我（匿
下面準(zhǔn)備把oschina一個類似的東西一塊爬一下吕晌，push到repo里
接下來準(zhǔn)備寫一個爬取學(xué)校教務(wù)系統(tǒng)驗(yàn)證碼并訓(xùn)練識別的文章，敬請期待临燃。
- 資源匯總：python框架睛驳、類庫、軟件和資源匯總repo
- 爬蟲集合：各種python爬蟲集合
- python爬蟲教程: 靜覓 崔慶才的個人博客
- python學(xué)習(xí)路線: 知乎：如何入門 Python 爬蟲?
- 原repo go語言版本: github-trending
- python版本: github-trending
歡迎各位在評論區(qū)批評指正 若是覺得碼字不易膜廊，也可以贊賞啊Orz
