Python爬虫教程：简书文章的抓取与存储

本文内容将与大家一起从简书的文章页面抓取文章标题、作者、发布时间以及正文内容，并且将抓取到的这些信息存入Excel表格中。本文对简书文章的抓取仅为Python的学习交流，尊重作者著作权，不对抓取到的文章做其他用途。本文使用Chrome浏览器对页面中需要抓取的内容进行分析。

关注小编后私信PDF 领取《Python爬虫相关书籍》....

首先我们从简书首页点开一篇文章。现在我们来从页面中提取文章标题信息。按下F12进入开发者模式，即下图中下方区域。

点击图中第1处红框的按钮，此时可以通过鼠标点击页面中的元素来定位到对应的HTML代码。再按下图中第2处红框即文中的标题，此时下方区域将定位到我们选中的标题的HTML代码，即图中第3处红框的HTML代码：

这是一个H1标签，可以从中看到我们需要的文章标题内容，我们可以通过定位class属性值为title的H1标签来找到这个标签并从中提取出文章标题。

用同样的方法来找到作者和发布时间这两个元素的HTML代码：

需要特别说明的，文中作者信息所在的是一个A标签，即第三行代码所示，此处的A标签并没有诸如class、name、id之类可以用来定位到这个标签的特殊属性，因此我们需要往上寻找，直到找到存在可以用来定位的特殊属性的父标签。例如这个作者信息所在的A标签的父标签是一个SPAN标签，存在一个值为name的class属性，因此我们可以通过定位到这个SPAN标签来提取作者信息。

发布时间所在的是一个class属性值为publish-time的SPAN标签，我们可以通过定位到这个SPAN标签来提取发布时间信息。

对于文章正文HTML代码的提取就有一些技巧了，按照上面的方法，如果直接用鼠标点击正文中的某一段内容时，定位到的只是这一段内容的P标签，而我们需要提取的是所有正文内容。这时我们可以点击段落之间的空白处，这样就可以定位到这个段落所在的DIV标签，而这个DIV标签包含我们需要的所有正文内容，如下图所示：

这样定位到的DIV标签的内容如下：

可以看到这个DIV标签包含我们所需的所有正文内容，并且正文内容都是一段接着一段的写在许多P标签中的。我们可以通过遍历这个DIV中的P标签，依次提取每一段的内容，这样就能获取文章正文的所有内容了。

经过上述分析，我们清楚的知道了标题、作者、发布时间以及正文内容这些信息应该如何从HTML代码中提取，现在我们就可以来编写一个用来从简书的文章页中提取这些信息的Python函数：

前9行代码即导入以及简书主页URL和headers的定义，关于headers的说明可以阅读之前的文章：手把手教你用Python抓取简书文章链接。

get_info(url)就是我们用来从简书的文章页提取文章标题、作者、发布时间以及正文内容的函数，其中需要文章页的URL作为参数。

第14、15行通过requests.get方法获取指定URL的HTML代码，并生成BeautifulSoup对象以便于对HTML代码进行解析。

第16、17、18行代码则根据前文分析得到的规则，分别提取了文章标题、作者以及发布时间的信息，注意别漏了最后的text，通过text属性来从find函数定位到的标签中提取到我们所需的信息。

之后就是对文章正文内容的提取。首先定位到正文每一段的P标签所在的DIV标签，再遍历这个DIV标签中所有的P标签，将P标签中的内容依次放入p_list数组，最后再通过join函数，使用换行符将所有段落拼接到一起。

最后再返回由提取到的文章标题、作者、发布时间、正文内容以及传进来的文章URL所组成的字典。在Python的函数中，使用字典来传递多个值是一个不错的选择，相当于封装了一个专门用来存储信息的对象。

结合上篇文章“手把手教你用Python抓取简书文章链接”中批量获取文章URL的函数，我们可以批量得到数十篇简书文章的内容，获取简书文章URL的函数如下：

关于这个函数的详细解析请阅读：手把手教你用Python抓取简书文章链接。

将批量获取文章URL的函数与从文章中提取内容的函数结合到一起，就可以实现批量获取多篇文章的内容：

最后是对批量获取的文章内容进行存储处理，通常情况下，爬虫抓取到的数据都会存入数据库以方便后期的分析的等处理。本文简单起见，将把数据写入Excel文件进行存储：

用Python进行Excel文件的写入操作需要用到xlwt模块，我们先引入这个模块。

第6行首先创建一个Excel工作区，设定编码格式为UTF-8。

第7行则是在工作区中创建了一张表，即下图中红框框起来的Sheet1这种表的概念。

接着我们就可以往表中写入内容了，写入内容使用write方法，带有三个参数，分别是行数、列数以及内容。

我们首先要向表中写入每一列的标题。方便起见，我先创建了titles的列表，列表中的元素就是每一列的标题，再通过遍历这个列表，就可以实现通过一个for循环写入所有列的标题，而不用一行接着一行的手动调用write方法。

这里用到的enumerate方法是Python的内置方法，这个方法可以遍历列表并同时返回数据和数据下标，其中的数据下标就可以作为表格的列数。

第12到14行通过一个双重循环实现将获取到的批量数据写入表格中，其内部逻辑与写入列标题的代码相同。其中循环的i作为行数，j作为列数，要注意第1行为列标题，因此需要将i + 1处理。

最后再将工作区保存为info.xls文件即可。

完整的代码如下图所示：

执行完整的代码，稍等片刻后将在py文件同目录下将生成一个info.xls文件，打开生成的这个Excel表格可以看到如下内容：

至此我们通过60行的Python代码完成了从简书首页批量获取文章链接，再从文章中获取文章标题、作者、创建时间以及正文内容信息，最后存入Excel表格的全部过程。