如何使用python爬取csdn博客访问量

<span class="link_title"><a href="/xingjiarong/article/details/50651235">

<span class="link_title"><a href=".*">(.*"color: #0000ff">三、如何获取访问量

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="/xingjiarong/article/details/50651235" title="阅读次数">阅读</a>(1140)</span>


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>\((.*"color: #0000ff">四、如何判断是否为尾页

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="/xingjiarong/article/list/2">下一页</a> <a href="/xingjiarong/article/list/7">尾页</a>


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。


<a href=".*">尾页</a>


五、编程实现
下面是完整的代码实现：


#!usr/bin/python
# -*- coding: utf-8 -*-
'''
Created on 2016年2月13日
@author: xingjiarong
使用python爬取csdn个人博客的访问量，主要用来练手
'''
import urllib2
import re
#当前的博客列表页号
page_num = 1
#不是最后列表的一页
notLast = 1
account = 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=".*">(.*"link_view".*?><a href=".*" title="阅读次数">阅读</a>\((.*"htmlcode">

输入csdn的登录账号:xingjiarong
-----------------------------第1页---------------------------------
访问量:1821 标题:python编程常用模板总结
访问量:1470 标题:设计模式之UML（一）类图以及类间关系（泛化 、实现、依赖、关联、聚合、组合）
访问量:0714 标题:ubuntu14.04 安装并破解MyEclipse2014
访问量:1040 标题:ubuntu14.04 配置tomcat8
访问量:1355 标题:java调用python方法总结
访问量:0053 标题:Java多线程之Callable和Future
访问量:1265 标题:跟我学汇编（三）寄存器和物理地址的形成
访问量:1083 标题:跟我学汇编（二）王爽汇编环境搭建
访问量:0894 标题:跟我学汇编（一）基础知识
访问量:2334 标题:java多线程（一）Race Condition现象及产生的原因
访问量:0700 标题:Matlab矩阵基础
访问量:0653 标题:Matlab变量、分支语句和循环语句
访问量:0440 标题:Matlab字符串处理
访问量:0514 标题:Matlab运算符与运算
访问量:0533 标题:Matlab的数据类型
-----------------------------第2页---------------------------------
访问量:0518 标题:OpenStack设计与实现（五）RESTful API和WSGI
访问量:0540 标题:解决Android SDK Manager下载太慢问题
访问量:0672 标题:OpenStack设计与实现（四）消息总线（AMQP）
访问量:0570 标题:分布式文件存储FastDFS（五）FastDFS常用命令总结
访问量:0672 标题:分布式文件存储FastDFS（四）配置fastdfs-apache-module
访问量:0979 标题:分布式文件存储FastDFS（一）初识FastDFS
访问量:0738 标题:分布式文件存储FastDFS（三）FastDFS配置
访问量:0682 标题:分布式文件存储FastDFS（二）FastDFS安装
访问量:0511 标题:OpenStack设计与实现（三）KVM和QEMU浅析
访问量:0593 标题:OpenStack设计与实现（二）Libvirt简介与实现原理
访问量:0562 标题:OpenStack设计与实现（一）虚拟化
访问量:0685 标题:食堂买饭的启示
访问量:0230 标题:UML之时序图详解
访问量:0890 标题:设计模式之桥梁模式和策略模式的区别
访问量:1258 标题:设计模式（十二）责任链模式


总结：
使用python编写爬虫，我个人总结了以下的步骤：
1、分析要抓取的网址特征，以确定如何生成相关网页的网址，如果只爬取一个网页，则这一步可以省略。
2、查看网页的源码，分析自己想要爬取的内容所在的标签的特征。
3、使用正则表达式从源码中将自己想要的部分抠出来。
4、编程实现。
以上内容是针对如何使用python爬取csdn博客访问量的相关知识，希望对大家有所帮助。

                                
                                

                                    csdn博客访问量,python_csdn博客 
                                

                                    标签：
                                        
csdn博客访问量,python_csdn博客