之前初学python时写过一个练手的Demo，程序实现了在主机上根据关键词和获得赞同数爬取“掘金”中的文章：利用Python爬虫过滤“掘金”的关键词检索结果。但是这个项目只是简单地实现了功能，在很多方面都需要加强。现利用假期在这个程序地基础上修改了一下，加入了Web支持，并且部署到了我私人的服务器上，大家如果有兴趣可以访问使用：点我试用。

首先看一下使用方法和结果：

假设我们在输入框中分别输入了python（关键字）和10（获得赞数下限）后，点击按钮：

如果想要获取更多结果，继续点击 '点击获得更多结果。。'就好了，不过后台设置了不断获取数据的限制（15页搜索结果，一般够用了）。

1. 项目结构

其中'main'包中是程序文件，'static'放置静态文件，'templates'放置html模板文件，'venv'是虚拟环境，'app.py'是主程序入口文件，'requirements.txt'记录程序所有依赖及版本号。

2. app.py

app.py负责构建Flask应用，且由于程序功能比较简单，将视图函数也放置其中，

app = Flask(__name__)

# set the secret key.  keep this really secret:
app.secret_key = os.urandom(24)

# 带爬取的url地址，不包含请求参数
ajax_base_url = 'https://search-merger-ms.juejin.im/v1/search'

# 根目录，返回输入截面
@app.route('/')
def index():
    return render_template('input.html')

# 搜索功能视图函数
@app.route('/search')
def search():
    try:
        baseline = int(request.args.get('baseline'))    # 从请求参数中获取文章赞同数的下限值
    except ValueError:
        raise InvalidParameter('输入框不能为空或者请不要在输入框第二栏中输入非数字字符!')
    keyword = quote(request.args.get('keyword'))  # 获取搜索的关键字, urllib.parse.quote() 复杂处理url中的中文
    if keyword is None or len(keyword) == 0:
        raise InvalidParameter('输入框不能为空!')

    params = {}  # 对应的请求参数
    params['query'] = keyword
    params['page'] = '0'
    params['raw_result'] = 'false'
    params['src'] = 'web'

    new_url = url_manager.build_ajax_url(ajax_base_url, params)     # 构建请求地址
    craw_json = crawler.craw_one_page(crawler.parse_from_json)      # 选择json解析器
    datas = craw_json(new_url, baseline)        # 进行下载、解析，获得结果
    if datas is None or len(datas) == 0:
        return

    return render_template('output.html', datas=datas, keyword=request.args.get('keyword'), baseline=baseline)  # keyword传原始值，否则next_page中再进行quote则会出错

# 请求获得更多数据
@app.route('/nextPage')
def next_page():
    keyword = quote(request.args.get('keyword'))  # 获取搜索的关键字, urllib.parse.quote() 复杂处理url中的中文
    try:
        baseline = int(request.args.get('baseline'))
        req_page = int(request.args.get('req_page'))
    except ValueError:
        return redirect(url_for('index'))
    if keyword is None or len(keyword) == 0:
        return redirect(url_for('index'))
    
    params = {}  # 对应的请求参数
    params['query'] = keyword
    params['page'] = str(req_page)
    params['raw_result'] = 'false'
    params['src'] = 'web'

    new_url = url_manager.build_ajax_url(ajax_base_url, params)     # 构建请求地址
    craw_json = crawler.craw_one_page(crawler.parse_from_json)      # 选择json解析器
    datas = craw_json(new_url, baseline)        # 进行下载、解析，获得结果
    # 将结果对象构成的列表转完成json数组
    json_array = []
    for data in datas:
        json_array.append(data.__dict__)

    return jsonify(json_array)

# 参数错误界面
@app.errorhandler(InvalidParameter)
def invalid_param(error):
    return render_template('param-error.html', error_message=error.message), error.status_code

if __name__ == '__main__':
    app.debug = True
    app.run()

app.py中主要包含了三个视图函数：index(), search(), next_page()；search()负责搜索文章数据，next_page()负责获取下一页的文章数据。

3. 下载并解析数据

我们可以通过两种不同的URL来获取掘金的文章信息，一种会返回html数据，一种会返回JSON数据。我们选择第二种方式获取JSON数据。下面首先介绍程序的下载器： downloader.py

import urllib.request

def download_json(url):
    if url is None:
        print('one invalid url is found!')
        return None
    response = urllib.request.urlopen(url)
    if response.getcode() != 200:
        print('response from %s is invalid!' % url)
        return None
    return response.read().decode('utf-8')

通过该方法返回的是JSON的字符串数据。接下来使用解析器来解析JSON数据： json_parser.py

# 将json字符创解析为一个对象
def json_to_object(json_content):
    if json_content is None:
        print('parse error!json is None!')
        return None
    return json.loads(str(json_content))


# 从JSON构成的对象中提取出文章的title、link、collectionCount等数据，并将其封装成一个Bean对象，最后将这些对象添加到结果列表中
def build_bean_from_json(json_collection, baseline):
    if json_collection is None:
        raise ParseError('build bean from json error! json_collection is None!')
    list = json_collection['d'] # 文章的列表
    result_list = []    # 结果的列表
    if list is None or len(list) == 0:
        return []
    for element in list:
        starCount = element['collectionCount']  # 获得的收藏数，即获得的赞数
        if int(starCount) >= baseline:   # 如果收藏数不小于baseline，则构建结果对象并添加到结果列表中
            title = element['title']
            link = element['originalUrl']
            result = ResultBean(title, link, starCount)
            result_list.append(result)      # 添加到结果列表中
            print(title, link, starCount)
    return result_list

4. 爬取器

上面的下载、解析都可以看作是爬取过程中的工具，下面我们通过爬取模块将下载和解析过程结合起来： crawler.py

# 爬取一页信息
def craw_one_page(func):
    def in_craw_one_page(new_url, baseline=10):    # 默认baseline=10
        print('begin to main..')

        content = downloader.download_json(new_url)  # 根据URL获取网页
        datas = func(content, baseline)     # 一次解析所得的结果

        print('main end..')
        return datas
    return in_craw_one_page


def parse_from_json(content, baseline):
    json_collection = json_parser.json_to_object(content)
    results = json_parser.build_bean_from_json(json_collection, baseline)
    return results


def parse_from_html(content, baseline):
    html_parser.build_soup(content)  # 使用BeautifulSoup将html网页构建成soup树
    results = html_parser.build_bean_from_html(baseline)
    return results

这里使用闭包修饰爬取函数，使我们可以传入html或JSON对应的解析器。

完成

github: github
部署: 通过Gunicorn部署flask应用（阿里云服务器：Ubuntu 16.04）

通过文章获得的赞同数爬取、过滤“掘金”中的文章（python Web）

1. 项目结构

2. app.py

3. 下载并解析数据

4. 爬取器

完成