#章节八：爬取知乎文章

章节八：爬取知乎文章


目录

• 章节八：爬取知乎文章
  
  
  
  • 1. 回顾前路
    
  • 2. 项目实操
    
    
    
    • 2.1 明确目标
      
    • 2.2 分析过程
      
    • 2.3 代码实现
      
      
      
      • 2.3.1 重新分析
        
      • 2.3.2 代码实现
        
      
      
    
    
  • 3. 习题练习
    
    
    
    • 3.1 第一步：分析需求，明确目标
      
    • 3.2 第二步：分步讲解，书写代码 (｡▰‿‿▰｡) ❤
      
    
    
  
  

你造吗，今天是个大喜的日子！来到这儿，就意味着你爬虫已经入门啦！
在这个重要又喜悦的日子里，我们就干三件事：回顾前路、项目实操、展望未来。
回顾前路，是为了复习1-7关所学的知识。项目实操，是通过写一个爬虫程序把所学的知识用起来。展望未来，是预告一下我们之后会遇到的风景。
马上开始吧~
1. 回顾前路

在前面，我们按关卡学了好多好多知识。而这么多的内容，我们用【项目实现】和【知识地图】两张图就能说清。
【项目实现】： 任何完成项目的过程，都是由以下三步构成的。

先需要明确自己的目标是什么，然后分析一下如何实现这个目标，最后就可以去写代码了。
当然，这不是一个线性的过程，而可能出现“代码实现”碰壁后然后折返“分析过程”，再“代码实现”的情形。
接下来是【知识地图】：前面6关所讲的爬虫原理，在本质上，是一个我们所操作的对象在不断转换的过程。

总体上来说，从Response对象开始，我们就分成了两条路径，一条路径是数据放在HTML里，所以我们用BeautifulSoup库去解析数据和提取数据；另一条，数据作为Json存储起来，所以我们用response.json()方法去解析，然后提取、存储数据。
你需要根据具体的情况，来确定自己应该选择哪一条路径。
也可以参考图片上的注释，帮助自己去回忆不同对象的方法和属性。不过，老师还是希望你能把这个图记在心里。
好啦，1-7关的内容就梳理完成啦~
接下来是项目实操，这是今天的重头戏。
2. 项目实操

我们会按照刚刚提过的项目三步骤来，首先是明确目标。
2.1 明确目标

为了让大家能把前面所学全都复习一遍，老师为大家准备了一个项目：爬取知乎大v张佳玮的文章“标题”、“摘要”、“链接”，并存储到本地文件。
之所以选这个项目，是为了让大家能把前面所学全都复习一遍。
知道目标后，就可以【分析过程】了。
2.2 分析过程

张佳玮的知乎文章URL在这里：https://www.zhihu.com/people/zhang-jia-wei/posts?page=1。

这是我做这个项目时，网站显示的内容。
点击右键——检查——Network，选All（而非XHR），然后刷新网页，点进去第0个请求:post?page=1，点Preview。

发现有文章标题，看来数据是放在HTML里。
那么，走的应该是【知识地图】里上面那条路径：

那好，就可以去观察一下网页源代码了，我们点回Elements。

上图左边的文章标题对应的就是上图右边的a元素里面的文本“大概，他们就是世上活得最明白的人吧。”还可以看到在标签里面，还有属性target="_blank"，和data-za-detail-view-element_name="Title"。
对于target="_blank"属性，我们按下ctrl+f去搜索属性名target或属性值"_blank"：

用上下箭头翻看一下搜索结果，发现这个target属性并不能帮我们精准地定位到文章标题，所以排除使用这个属性。
事实上超链接标签的target属性指示的是在哪里打开跳转的目标网页，"_blank"表示每点击一次（超链接）打开一个新窗口。从搜索结果看，显然需要这个指示的不止文章标题。
而对于另一个属性data-za-detail-view-element_name="Title"，属性值"Title"倒是在疯狂明示自己是个“标题”，但属性名如此freestyle，应该是由知乎的开发人员自定义命名，并不是html语法里标准的属性名，BeautifulSoup可能不识别。所以，我们不推荐使用。
有没有更好的选择呢？我们把视野稍微放宽（一点点）：

你会发现，这个标签的上一个层级是标签，并且有属性。仍然用ctrl+f搜索属性值“ContentItem-title”，发现这个属性可以帮我们精准定位目标数据，可以用。
到这里，我们的思路也差不多清晰起来。
获取数据——用requests库；解析数据——用BeautifulSoup库；提取数据——用BeautifulSoup里的find_all()方法，翻页则要观察第一页，到最后一页的网址特征，写循环；存储数据——用csv或openpyxl模块都可以。基本思路就应该是这样。
好，这就结束了分析过程，接下来就是敲代码啦。
2.3 代码实现

别一上来就整个大的，我们先试着拿一页的文章标题，看看能不能成功。
请阅读下面的代码，然后点击运行：

1. # 引入requests和bs
2. import requests
3. from bs4 import BeautifulSoup
5. # 使用headers是一种默认的习惯，默认你已经掌握啦~
6. headers={'user-agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'}
7. # 用resquest模块发起请求，将响应的结果赋值给变量res。
8. url='https://www.zhihu.com/people/zhang-jia-wei/posts?page=1'
9. res=requests.get(url,headers=headers)
10. # 检查状态码
11. print(res.status_code)

复制代码

发现状态码显示200，表示请求成功，放心了，可以继续往下。
请阅读下面的代码，然后点击运行：

1. # 引入request和bs
2. import requests
3. from bs4 import BeautifulSoup
5. # 使用headers是一种默认的习惯，默认你已经掌握啦~
6. headers={'user-agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'}
7. # 发起请求，将响应的结果赋值给变量res。
8. url='https://www.zhihu.com/people/zhang-jia-wei/posts?page=1'
9. res=requests.get(url,headers=headers)
10. # 检查状态码
11. print(res.status_code)
12. # 用bs进行解析
13. bstitle=BeautifulSoup(res.text,'html.parser')
14. # 提取我们想要的标签和里面的内容
15. title=bstitle.find_all(class_='ContentItem-title')
16. # 打印title
17. print(title)

复制代码

见鬼了，为啥只有两个文章标题？
看起来是碰壁了，但遇上问题别慌，先来做个排查，使用 res.text 打印一下网页源代码。请阅读下面的代码，然后点击运行。

1. # 引入request和bs
2. import requests
3. from bs4 import BeautifulSoup
5. # 使用headers是一种默认的习惯，默认你已经掌握啦~
6. headers={'user-agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'}
7. # 发起请求，将响应的结果赋值给变量res。
8. url='https://www.zhihu.com/people/zhang-jia-wei/posts?page=1'
9. res=requests.get(url,headers=headers)
10. # 检查状态码
11. print(res.status_code)
12. # 打印网页源代码
13. print(res.text)

复制代码

打出来之后，我们把第一页的最后一篇文章的标题“出走半生，关山万里，归来仍是少女心气”在这个网页源代码里面搜索，呵呵，是搜不到的。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！