我用爬虫爬取了“腾讯云技术社区“所有的文章，看看我得到了什么

作者: a3aac2d1b674 | 来源:发表于2017-11-24 11:07 被阅读266次

作者：应兆康

我用爬虫爬取了“腾讯云技术社区”所有的文章，看看我得到了什么

前言

闲来周末练习下爬虫
就拿腾讯云技术社区来开刀，哈，经典皮卡丘开头

image

这次我通过利用Python爬虫
加上一个"不完美"的分词系统
构建了，腾讯云技术社区所有文章的词云，来看看总体大概都写了什么
嘻嘻嘻:)

正文

编程思路

获取所有文章的地址
对单文章页进行内容提取
将所有文章进行内容提取，并将结果存入MongoDB数据库中
利用分词系统和wordcloud进行词云的构建

注:存储所有文章地址前，我加了一个随机数，后期随机抽取文章进行提取
防止因日期不同导致结果具有局部性

获取文章列表页，所有的文章信息

保存格式为:

index 随机数索引
title 文章名
address 文章地址
content 文章内容

    def get_one_page_all(self, url):
        try:
            html = self.get_page_index(self.baseURL)
            # 采用BeautifulSoup解析
            soup = BeautifulSoup(html, 'lxml')
            title = soup.select('.article-item > .title')
            address = soup.select('.article-item > .title > a[href]')
            for i in range(len(title)):
            # 生成随机索引
                random_num = random.randrange(0, 6500)
                content = self.parse_content('https://www.qcloud.com' + address[i].get('href').strip())
                yield {
                    'index' : random_num,
                    'title':title[i].get_text().strip(),
                    'address' : 'https://www.qcloud.com' + address[i].get('href').strip(),
                    'content' : content
                }
        # 遇到索引错误时跳过
        except IndexError:
            pass

解析文章内容

    def parse_content(self, url):
        html = self.get_page_index(url)
        soup = BeautifulSoup(html, 'lxml')
        #这里直接用了class为J-article-detail的div里面的内容
        content = soup.select('.J-article-detail')
        return content[0].get_text()