应女朋友要求，为了能及时掌握技术动向，特意写了这个爬虫，每天定时爬取博客园首页并发送至微信。
环境：
Python3.4
第三方库
- Requests:向服务器发送请求
- BeautifulSoup4：解析Html
- wxpy：微信接口
- Schedule：定时器
代码
# -*-coding:utf-8 -*-
import requests
from requests import exceptions
from bs4 import BeautifulSoup as bs
import re
from wxpy import *
import schedule
import time
bot=Bot(cache_path=True)
#获取网页内容
def getHtml(pageIndex):
#定义请求头 伪装成浏览器
headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'}
#pageIndex代表页数
payload={'CategoryType': 'SiteHome', 'ParentCategoryId': '0', 'CategoryId': '808', 'PageIndex': pageIndex, 'TotalPostCount': '4000'}
try:
r=requests.post('https://www.cnblogs.com/mvc/AggSite/PostList.aspx',data=payload,headers=headers)
r.raise_for_status()
r.encoding=r.apparent_encoding
return r.text
except requests.RequestException as e:
return e.strerror
#向微信文件传输助手发送消息
def sendblogmsg(content):
#搜索自己的好友
#my_friend = bot.friends().search('')[0]
my_friend=bot.file_helper
my_friend.send(content)
def job():
contents=''
#i表示当前页数
for i in range(1,3):
html=getHtml(i)
soup=bs(html,"html.parser")
blogs=soup.findAll("div",{'class':'post_item_body'})
for blog in blogs:
title=blog.find('h3').get_text()
summary=blog.find('p',{'class':'post_item_summary'}).get_text()
link=blog.find('a',{'class':'titlelnk'})['href']
content='标题：'+title+'\n链接：'+link+'\n-----------\n'
contents+=content
sendblogmsg(contents)
#定时
schedule.every().day.at("06:00").do(job)
while True:
schedule.run_pending()
time.sleep(1)
bot.join()注意事项：
- 不要进行恶意攻击行为
- 尽量在空闲时间访问网站，控制访问频率，不要恶意消耗网站资源
