Docker最全教程之Python爬网实战(二十一) - 好文

Python目前是流行度增长最快的主流编程语言，也是第二大最受开发者喜爱的语言（参考Stack Overflow 2019开发者调查报告发布）。
笔者建议.NET、Java开发人员可以将Python发展为第二语言，一方面Python在某些领域确实非常犀利（爬虫、算法、人工智能等等），另一方面，相信我，Python上手完全没有门槛，你甚至无需购买任何书籍！

由于近期在筹备4.21的长沙开发者大会，耽误了不少时间。不过这次邀请到了腾讯资深技术专家、.NET中国社区领袖，微软MVP张善友；52ABP开源框架的作者，微软MVP梁桐铭；知名技术类作家汪鹏，腾讯高级工程师卓伟，腾讯云高级产品经理胡李伟等等，
有兴趣参加的朋友可以点击公众号菜单【联系我们】==>【报名】进行报名，技术不分语言，亦没有界限，期待和你分享、交流！

目录

关于Python

官方镜像

使用Python抓取博客列表

需求说明

了解Beautiful Soup

分析并获取抓取规则

编写代码实现抓取逻辑

编写Dockerfile

运行并查看抓取结果

关于Python

Python是一种计算机程序设计语言。是一种动态的、面向对象的脚本语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越来越多被用于独立的、大型项目的开发。
Python目前是流行度增长最快的主流编程语言，也是第二大最受开发者喜爱的语言（参考Stack Overflow 2019开发者调查报告发布）。

Python是一种解释型脚本语言，可以应用于以下领域：

* Web 和 Internet开发
* 科学计算和统计
* 教育
* 桌面界面开发
* 软件开发
* 后端开发

Python学习起来没有门槛，但是通过它，你可以用更短的时间，更高的效率学习和掌握机器学习，甚至是深度学习的技能。不过单单只会Python对大多数人来说是不行的，你最好还掌握一门静态语言（.NET/Java）。
同时，笔者也建议.NET、Java开发人员可以将Python发展为第二语言，一方面Python在某些领域确实非常犀利（爬虫、算法、人工智能等等），另一方面，相信我，Python上手完全没有门槛，你甚至无需购买任何书籍！

官方镜像

官方镜像地址：https://hub.docker.com/_/python <https://hub.docker.com/_/python>

注意，请认准官方镜像：

使用Python抓取博客列表

需求说明

本篇使用Python来抓取我的博客园的博客列表，打印出标题、链接、日期和摘要。

博客地址：http://www.cnblogs.com/codelove/ <http://www.cnblogs.com/codelove/>

内容如下所示：

了解Beautiful Soup

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库，支持多种解析器。Beautiful
Soup简单的说，就是一个灵活又方便的网页解析库，是一个爬网利器。本篇教程我们就基于Beautiful Soup来抓取博客数据。

Beautiful Soup官方网站：https://beautifulsoup.readthedocs.io
<https://beautifulsoup.readthedocs.io/>

主要解析器说明：

分析并获取抓取规则

首先我们使用Chrome浏览器打开以下地址：http://www.cnblogs.com/codelove/
<http://www.cnblogs.com/codelove/>

然后按下F12打开开发人员工具，通过工具我们梳理了以下规则：

* 博客块（div.day）

* 博客标题(div. postTitle a)

* 其他内容获取，如日期、博客链接、简介，这里我们就不截图了。

然后我们通过观察博客路径，获取到url分页规律：

根据以上分析，我们胸有成竹，开始编码。

编写代码实现抓取逻辑

在编码前，请阅读BeautifulSoup官方文档。然后根据需求，我们编写Python的代码如下所示：
#
关于BeautifulSoup，请阅读官方文档：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/#id52
from bs4 import BeautifulSoup import os import sys import requests import time
import re url = "https://www.cnblogs.com/codelove/default.html?page={page}"
#已完成的页数序号，初时为0 page = 0 while True: page += 1 request_url =
url.format(page=page) response = requests.get(request_url)
#使用BeautifulSoup的html5lib解析器解析HTML（兼容性最好） html =
BeautifulSoup(response.text,'html5lib') #获取当前HTML的所有的博客元素 blog_list =
html.select(".forFlow .day") # 循环在读不到新的博客时结束 if not blog_list: break
print("fetch: ", request_url) for blog in blog_list: # 获取标题 title =
blog.select(".postTitle a")[0].string
print('--------------------------'+title+'--------------------------'); #
获取博客链接 blog_url = blog.select(".postTitle a")[0]["href"] print(blog_url); #
获取博客日期 date = blog.select(".dayTitle a")[0].get_text() print(date) # 获取博客简介 des
= blog.select(".postCon > div")[0].get_text() print(des)
print('-------------------------------------------------------------------------------------');
　　

如上述代码所示，我们根据分析的规则循环翻页并且从每一页的HTML中抽取出了我们需要的博客信息，并打印出来，相关代码已提供注释，这里我们就不多说了。

编写Dockerfile

代码写完，按照惯例，我们仍然是使用Docker实现本地无SDK开发，因此编写Dockerfile如下所示：
# 使用官方镜像 FROM python:3.7-slim # 设置工作目录 WORKDIR /app # 复制当前目录 COPY . /app #
安装模块 RUN pip install --trusted-host pypi.python.org -r requirements.txt # Run
app.py when the container launches CMD ["python", "app.py"]
　　

注意，由于我们使用到了比如beautifulsoup等第三方库，因此我们需要安装相关模块。requirements.txt内容如下所示（注意换行）：

html5lib

beautifulsoup4

requests

运行并查看抓取结果

构建完成后，我们运行起来结果如下所示：

热门工具换一换