Python 爬蟲糗事百科插入MySQL數(shù)據(jù)庫

參加向右奔跑老師爬蟲小分隊二期學(xué)習(xí)已經(jīng)快一周的時間啦推沸,之前完成的三篇作業(yè)一直都是關(guān)于Python程序邏輯的訓(xùn)練庶灿,雖然之前有過使用BeautifulSoup爬去簡單網(wǎng)頁數(shù)據(jù)的嘗試,但是對網(wǎng)頁結(jié)構(gòu)化數(shù)據(jù)的抓取還從來沒有嘗試過摸恍,通過這幾天參考同學(xué)們完成的作業(yè)和彭老師推薦的簡書文章,今天嘗試一次爬蟲糗事百科數(shù)據(jù)(數(shù)據(jù)包括:作者,性別存筏,年齡,段子內(nèi)容味榛,好笑數(shù)椭坚,評論數(shù)),并插入MySQL數(shù)據(jù)庫搏色。
代碼如下:

import requests
from bs4 import BeautifulSoup
import re
import pymysql
#鏈接MySQL數(shù)據(jù)庫
connect = pymysql.connect(
    host='localhost', 
    user='root', 
    passwd='root',  
    db='test',  
    port=3306,  
    charset='utf8'
    )
# 獲取游標(biāo)
cursor = connect.cursor()
#請求頭
headers = {
  'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
}
def get_data(url):
    #模擬瀏覽器訪問網(wǎng)頁
    html = requests.get(url,headers).content
    #lxml解析網(wǎng)頁內(nèi)容返回給soup
    soup = BeautifulSoup(html,'lxml')
    #find_all得到所有包含目標(biāo)內(nèi)容的div的集合
    div_list = soup.find_all(name = 'div', class_ = 'article block untagged mb15')
    #for循環(huán)分別讀取div集合中的目標(biāo)數(shù)據(jù)
    for div in div_list:
        #定位獲取作者名字?jǐn)?shù)據(jù)
        author = div.find('h2').text
        #正則表達(dá)式定位獲取性別年齡信息數(shù)據(jù)(匿名用戶無信息需特別處理)
        genders = div.find(name = 'div', class_ = re.compile('articleGender .*'))
        if genders == None:
            gender = 'Null'
            age = 'Null'
        else:
            gender = genders.attrs['class'][1][:-4]
            age = genders.text
        #定位獲取內(nèi)容數(shù)據(jù)
        content = div.find('span').text
        #定位獲取好笑數(shù)數(shù)據(jù)
        
        funny_nums = div.find(name = 'span', class_ = 'stats-vote').find('i')
        if funny_nums == None:
            funny_num = 0
        else:
            funny_num = funny_nums.text
        #定位獲取評論數(shù)數(shù)據(jù)
        comment_nums = div.find(name = 'span', class_ = 'stats-comments').find('i')
        if comment_nums == None:
            comment_num = 0
        else:
            comment_num = comment_nums.text 
        #選擇test數(shù)據(jù)
        cursor.execute("use test")
        #執(zhí)行insert插入語句
        cursor.execute("insert into qiushibaike_tbl (author,gender,age,content,funny_num,comment_num) values(%s,%s,%s,%s,%s,%s)",(author,gender,age,content,funny_num,comment_num)) 
        #不執(zhí)行不能插入數(shù)據(jù)
        connect.commit()
        
if __name__ == '__main__':
    #分別構(gòu)建1-35頁的url
    for i in range(1,36):
        url = 'http://www.qiushibaike.com/text/page/'+str(i)+'/?s=4986178'
        get_data(url)
    #關(guān)閉數(shù)據(jù)庫鏈接善茎,釋放資源
    connect.close()
    print('SUCCESS!')
插入數(shù)據(jù)庫

第一次完成網(wǎng)頁結(jié)構(gòu)化數(shù)據(jù)的抓取,幾乎每一段程序代碼都加了注釋說明频轿,成功爬到糗事百科35頁699條數(shù)據(jù)垂涯,并存入本地搭建的MySQL數(shù)據(jù)庫,存在一個問題向大家請教航邢,糗事百科的匿名用戶的年齡和性別不存在耕赘,直接判斷過濾,但是匿名用戶的段子內(nèi)容數(shù)據(jù)沒有抓到和插入數(shù)據(jù)庫膳殷,程序執(zhí)行過程也沒有報任何錯誤操骡!還請哪位大神看出問題所在后,留言指點(diǎn)!拜謝册招!拜謝岔激!


上面的問題感謝羅羅攀Mr_Cxy的幫忙解答,問題還是對網(wǎng)頁結(jié)構(gòu)分析的不夠透徹是掰,沒有發(fā)現(xiàn)匿名用戶和非匿名用戶的網(wǎng)頁結(jié)構(gòu)不同虑鼎,沒法直接用 content = div.find('span').text直接獲取數(shù)據(jù)匿名用戶的段子內(nèi)容數(shù)據(jù),需要分開處理冀惭,用 content = div.find_all('span')[2].text或者= div.select('span')[2].text獲取獲取數(shù)據(jù)匿名用戶的數(shù)據(jù)震叙,下面是修改后的程序代碼:

import requests
from bs4 import BeautifulSoup
import re
import pymysql
#鏈接MySQL數(shù)據(jù)庫
connect = pymysql.connect(
    host='localhost', 
    user='root', 
    passwd='root',  
    db='test',  
    port=3306,  
    charset='utf8'
    )
# 獲取游標(biāo)
cursor = connect.cursor()
#請求頭
headers = {
  'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
}
def get_data(url):
    #模擬瀏覽器訪問網(wǎng)頁
    html = requests.get(url,headers).content
    #lxml解析網(wǎng)頁內(nèi)容返回給soup
    soup = BeautifulSoup(html,'lxml')
    #find_all得到所有包含目標(biāo)內(nèi)容的div的集合
    div_list = soup.find_all(name = 'div', class_ = 'article block untagged mb15')
    #for循環(huán)分別讀取div集合中的目標(biāo)數(shù)據(jù)
    for div in div_list:
        #定位獲取作者名字?jǐn)?shù)據(jù)
        author = div.find('h2').text
        #正則表達(dá)式定位獲取性別年齡信息數(shù)據(jù)(匿名用戶無信息需特別處理)
        genders = div.find(name = 'div', class_ = re.compile('articleGender .*'))
        if genders == None:
            gender = 'Null'
            age = 'Null'
            #定位獲取匿名用戶段子內(nèi)容數(shù)據(jù)
            content = div.find_all('span')[2].text
        else:
            gender = genders.attrs['class'][1][:-4]
            age = genders.text
            #定位獲取非匿名用戶段子內(nèi)容數(shù)據(jù)
            content = div.find('span').text
        #定位獲取好笑數(shù)數(shù)據(jù)
        funny_nums = div.find(name = 'span', class_ = 'stats-vote').find('i')
        if funny_nums == None:
            funny_num = 0
        else:
            funny_num = funny_nums.text
        #定位獲取評論數(shù)數(shù)據(jù)
        comment_nums = div.find(name = 'span', class_ = 'stats-comments').find('i')
        if comment_nums == None:
            comment_num = 0
        else:
            comment_num = comment_nums.text 
        #選擇test數(shù)據(jù)
        cursor.execute("use test")
        #執(zhí)行insert插入語句
        cursor.execute("insert into qiushibaike_tbl (author,gender,age,content,funny_num,comment_num) values(%s,%s,%s,%s,%s,%s)",(author,gender,age,content,funny_num,comment_num)) 
        #不執(zhí)行不能插入數(shù)據(jù)
        connect.commit()
        
if __name__ == '__main__':
    #分別構(gòu)建1-35也的url
    for i in range(1,36):
        url = 'http://www.qiushibaike.com/text/page/'+str(i)+'/?s=4986178'
        get_data(url)
    #關(guān)閉數(shù)據(jù)庫鏈接,釋放資源
    connect.close()
    print('SUCCESS!')
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末散休,一起剝皮案震驚了整個濱河市媒楼,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌戚丸,老刑警劉巖划址,帶你破解...
    沈念sama閱讀 211,290評論 6 491
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異限府,居然都是意外死亡夺颤,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,107評論 2 385
  • 文/潘曉璐 我一進(jìn)店門胁勺,熙熙樓的掌柜王于貴愁眉苦臉地迎上來世澜,“玉大人,你說我怎么就攤上這事署穗×攘眩” “怎么了?”我有些...
    開封第一講書人閱讀 156,872評論 0 347
  • 文/不壞的土叔 我叫張陵案疲,是天一觀的道長封恰。 經(jīng)常有香客問我,道長褐啡,這世上最難降的妖魔是什么诺舔? 我笑而不...
    開封第一講書人閱讀 56,415評論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮备畦,結(jié)果婚禮上低飒,老公的妹妹穿的比我還像新娘。我一直安慰自己萍恕,他們只是感情好逸嘀,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,453評論 6 385
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著允粤,像睡著了一般崭倘。 火紅的嫁衣襯著肌膚如雪翼岁。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,784評論 1 290
  • 那天司光,我揣著相機(jī)與錄音琅坡,去河邊找鬼。 笑死残家,一個胖子當(dāng)著我的面吹牛榆俺,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播坞淮,決...
    沈念sama閱讀 38,927評論 3 406
  • 文/蒼蘭香墨 我猛地睜開眼茴晋,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了回窘?” 一聲冷哼從身側(cè)響起诺擅,我...
    開封第一講書人閱讀 37,691評論 0 266
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎啡直,沒想到半個月后烁涌,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,137評論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡酒觅,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,472評論 2 326
  • 正文 我和宋清朗相戀三年撮执,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片舷丹。...
    茶點(diǎn)故事閱讀 38,622評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡抒钱,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出颜凯,到底是詐尸還是另有隱情继效,我是刑警寧澤,帶...
    沈念sama閱讀 34,289評論 4 329
  • 正文 年R本政府宣布装获,位于F島的核電站,受9級特大地震影響厉颤,放射性物質(zhì)發(fā)生泄漏穴豫。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,887評論 3 312
  • 文/蒙蒙 一逼友、第九天 我趴在偏房一處隱蔽的房頂上張望精肃。 院中可真熱鬧,春花似錦帜乞、人聲如沸司抱。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,741評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽习柠。三九已至匀谣,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間资溃,已是汗流浹背武翎。 一陣腳步聲響...
    開封第一講書人閱讀 31,977評論 1 265
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留溶锭,地道東北人宝恶。 一個月前我還...
    沈念sama閱讀 46,316評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像趴捅,于是被迫代替她去往敵國和親垫毙。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,490評論 2 348

推薦閱讀更多精彩內(nèi)容

  • Spring Cloud為開發(fā)人員提供了快速構(gòu)建分布式系統(tǒng)中一些常見模式的工具(例如配置管理拱绑,服務(wù)發(fā)現(xiàn)综芥,斷路器,智...
    卡卡羅2017閱讀 134,629評論 18 139
  • 本篇教程內(nèi)容完全針對初學(xué)者欺栗,如果你需要更進(jìn)階一點(diǎn)的知識毫痕,本篇可能給你的幫助十分有限。 準(zhǔn)備工作 首先確認(rèn)代碼環(huán)境迟几,...
    BorisChen閱讀 46,454評論 49 182
  • Android 自定義View的各種姿勢1 Activity的顯示之ViewRootImpl詳解 Activity...
    passiontim閱讀 171,756評論 25 707
  • 【劉柳六 作者 】 近幾年來消请,市面上興起了兒童學(xué)習(xí)沙畫的浪潮,各大幼兒園类腮、小學(xué)興趣課堂臊泰,校外美術(shù)培訓(xùn)班都引進(jìn)了沙...
    紅藝盤古書畫博文教育閱讀 895評論 0 1
  • 第一章 當(dāng)我還是小孩子的時候,對大人的生活蚜枢,以后的生活缸逃,充滿了憧憬,心里全是幻想厂抽。我夢寐以求的想要得到公主和王...
    雨曦陌然閱讀 264評論 0 0