作者: 曹真
链接: http://hellogod.cn/2017-06-26/python定期爬取GitHub上每日流行项目/
介绍一个在GitHub上看到的通用的python爬虫,难度不大,是一个蛮好玩的点,顺便总结一下python爬虫的一些需要注意的点。
先上链接:https://github.com/LJ147/github-trending
项目简介
大家可以看一下这个网站 https://github.com/trending
随时关注最新的技术动向,永远是一个程序员应该做到的,但我们不能做到每天去查看,于是就诞生了这个repo(更正为原作者写了这个repo),我们将爬虫挂在Linux服务器上,定期爬取并且推送到自己的repo上,只要有时间,就可以看到之前的所有热门项目。
顺便说一句这样是不是还可以刷一波GitHub commit
代码po在了最后面
关于python的私人总结
使用python开发爬虫的时候需要注意哪些?
区分python版本
python 2.x 3.x 差别很大,如果遇到就编译通不过,及早意识到进行修正还好,若是语法差别不大却没有意识到,有时候会给自己惹来很大的麻烦
关注几种易于混淆的数据类型
Tuples
Lists
Dictionary
Json
需要格外关注这几种类型之间的转换,我们知道python是一种弱数据类型语言,但不代表着它的数据类型可以混用,反而,正因为弱化了声明,才让有些操作更加容易出错,这时候我们需要做的,就是仔细阅读文档,熟悉不同的用法。
推荐文档:Tuples, Lists, and Dictionaries
注意合理使用第三方类库
python相对于java等语言,最大的优势就在于其具有很大规模的封装良好的类库,可以让我们使用短短的几行代码,实现很多功能。这里列举几个常用的库和框架:
virtualenv 创建独立 Python 环境的工具。
Beautiful Soup 提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能 简单的说就是解析网页
Scrapy 强大的爬虫框架Scrapy
限于篇幅,放几个链接大家自己进去看
哪些 Python 库让你相见恨晚?
Python 常用的标准库以及第三方库有哪些?
代码
下面是注释版代码,python2.7 用了requests PyQuery等几个类库
代码写的比较明确了,就没有过多注释
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
d = pq(r.content)
items = d('ol.repo-list li')
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
f.write(u"* [{title}]({url}):{description}\n".format(title=title, url=url, description=description))
strdate = datetime.datetime.now().strftime('%Y-%m-%d')
filename = '{date}.md'.format(date=strdate)
createMarkdown(strdate, filename)
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(strdate, filename)
while True:
job()
time.sleep(12 * 60 * 60)
学习Python和网络爬虫关注公众号:datanami
近期文章:
Python之多线程爬虫抓取网页图片
一篇文章搞懂的Python的中最难的概念
从数据分析的角度看旅行青蛙还可以这么玩。。。
用python代码实现微信撤消消息查看| Python itchat