前言#
博客园在个人首页有一个简单的博客数据统计,以博客园官方的首页为例:
但是这些数据不足以分析更为细节的东西。所以从年后开始,就想着做一个类似 CSDN 里统计文章数据的工具:
这样的统计功能可以更好的去分析读者对于内容的需求,了解文章内容的价值,以及从侧面认识自己在知识创作方面的能力。
程序#
这个程序是我昨天晚上一时兴起,看到了一位博主的文章 Python爬虫实战-统计博客园阅读量问题 ,正好检验自己对python的掌握,于是补充和修改了他的代码。因为想着要更为直观的展示文章数据,所以分了几个模块去写,以方便后续增加和修改功能。
程序目前只有三个 .py 文件,爬取数据后解析并写入到 txt 中(后续会使用更规范的方法做持久化处理)。
主程序 main.py#
from spider import spider
from store import write_data
# 设置博客名,例如我的博客地址为:https://www.cnblogs.com/KoiC,此处则填入KoiC
blog_name = 'KoiC'
if __name__ == '__main__':
post_info = spider(blog_name)
# print(post_info)
write_data(post_info, blog_name)
print('执行完毕!')
爬虫模块 spider.py#
import time
import requests
import re
from lxml import etree
def spider(blog_name):
"""
爬取相关数据
"""
# 设置UA和目标博客url
headers = {
"User-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36 Edg/110.0.1587.41"
}
url = "https://www.cnblogs.com/" + blog_name + "/default.html?page=%d"
# 测试访问
req = requests.get(url, headers)
print('测试访问状态:%d'%req.status_code)
print('开始爬取数据...')
post_info = [] # 全部博文信息
#分页爬取数据
for page_num in range(1, 999):
# 指向目标url
new_url = format(url%page_num)
# 获取页面
req = requests.get(url=new_url, headers=headers)
# print(req.status_code)
tree = etree.HTML(req.text)
# 获取目标数据(各博文名称和阅读量)
count_list = tree.xpath('//div[@class="forFlow"]/div/div[@class="postDesc"]/span[1]/text()')
title_list = tree.xpath('//div[@class="postTitle"]/a/span/text()')
# 获取该页博文数量
post_count = len(count_list)
# 如果该页没有博文,跳出循环
if post_count == 0:
break
# 解析目标数据
for i in range(post_count):
# 对数据进行处理
post_title = title_list[i].strip() # 处理前后多余的空格、换行等
post_view_count = re.findall('\d+', count_list[i]) # 正则表达式获取阅读量数据
single_post_info = [post_title, post_view_count[0]] # 单篇博文数据
post_info.append(single_post_info)
time.sleep(0.8)
return post_info
持久化模块 store.py#
import os
import time
def write_data(post_info, blog_name):
"""
对数据进行持久化
"""
print('开始写入数据...')
# 获取时间
now_time = time.localtime(time.time())
select_date = time.strftime('%Y-%m-%d', now_time)
select_time = time.strftime('%Y-%m-%d %H:%M:%S ', now_time)
# 按日期创建文件路径
file_path = './{:s}/{:s}'.format(str(now_time.tm_year), str(now_time.tm_mon))
try:
os.makedirs(file_path) # 该方法创建路径时,若路径存在会报异常,使用 try catch 跳过异常
except OSError:
pass
# 写入数据
try:
fp = open('{:s}/{:s}.txt'.format(file_path, select_date), 'a+', encoding = 'utf-8')
fp.write('阅读量\t\t 博文题目\n')
view_count = 0 # 总阅读量
for single_post_info in post_info:
view_count += int(single_post_info[1])
fp.write('{:<12s}{:s}\n'.format(single_post_info[1], single_post_info[0]))
fp.write('------博客名:{:s} 博文数量:{:d} 总阅读量:{:d} 统计时间:{:s}\n\n'.format(blog_name, len(post_info), view_count, select_time))
# 关闭资源
fp.close()
except FileNotFoundError:
print('无法打开指定的文件')
except LookupError:
print('指定编码错误')
except UnicodeDecodeError:
print('读取文件时解码错误')
执行结果#
程序会在目录下按日期创建文件夹:
进入后可找到以日期命名的 txt 文件,以我自己的博客为例,得到以下统计信息:
可以将程序挂在服务器上,定时统计数据,观察阅读量的涨幅。
后续我会逐渐完善功能,形成一个自动化的小工具,感兴趣的可以点个关注,谢谢阅读!