介紹一個在GitHub上看到的通用的Python爬蟲，難度不大，是一個蠻好玩的點，順便總結一下Python爬蟲的一些需要注意的點。
先上鏈接：github源碼

1. 項目簡介

大家可以看一下這個網站 https://github.com/trending

隨時關注最新的技術動向，永遠是一個程序員應該做到的，但我們不能做到每天去查看，于是就誕生了這個repo（更正為原作者寫了這個repo），我們將爬蟲掛在Linux服務器上，定期爬取并且推送到自己的repo上，只要有時間，就可以看到之前的所有熱門項目。

順便說一句這樣是不是還可以刷一波GitHub commit

代碼po在了最后面

2. 關于Python的私人總結

使用Python開發(fā)爬蟲的時候需要注意哪些？

1.區(qū)分Python版本

Python 2.x 3.x 差別很大，如果遇到就編譯通不過，及早意識到進行修正還好，若是語法差別不大卻沒有意識到，有時候會給自己惹來很大的麻煩

2.關注幾種易于混淆的數(shù)據類型

• Tuples
• Lists
• Dictionary
• Json
  需要格外關注這幾種類型之間的轉換，我們知道Python是一種弱數(shù)據類型語言，但不代表著它的數(shù)據類型可以混用，反而，正因為弱化了聲明，才讓有些操作更加容易出錯，這時候我們需要做的，就是仔細閱讀文檔，熟悉不同的用法。
  

  Tuples

Lists

Dictionary

推薦文檔：Tuples, Lists, and Dictionaries

3.注意合理使用第三方類庫

Python相對于java等語言，最大的優(yōu)勢就在于其具有很大規(guī)模的封裝良好的類庫，可以讓我們使用短短的幾行代碼，實現(xiàn)很多功能。這里列舉幾個常用的庫和框架：

• virtualenv 創(chuàng)建獨立 Python 環(huán)境的工具。
• Beautiful Soup 提供一些簡單的、Python式的函數(shù)用來處理導航、搜索、修改分析樹等功能 簡單的說就是解析網頁
• Scrapy 強大的爬蟲框架Scrapy
  限于篇幅，放幾個鏈接大家自己進去看
  哪些 Python 庫讓你相見恨晚？
  Python 常用的標準庫以及第三方庫有哪些？

3. 代碼

下面是注釋版代碼，Python2.7 用了requests PyQuery等幾個類庫
代碼寫的比較明確了，就沒有過多注釋

#!/usr/local/bin/Python2.7
# coding:utf-8

import datetime
import codecs
import requests
import os
import time
from pyquery import PyQuery as pq

#git操作 推送到遠程repo
def git_add_commit_push(date, filename):
    cmd_git_add = 'git add .'
    cmd_git_commit = 'git commit -m "{date}"'.format(date=date)
    cmd_git_push = 'git push -u origin master'

    os.system(cmd_git_add)
    os.system(cmd_git_commit)
    os.system(cmd_git_push)


def createMarkdown(date, filename):
    with open(filename, 'w') as f:
        f.write("###" + date + "\n")


def scrape(language, filename):

    HEADERS = {
        'User-Agent'        : 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.7; rv:11.0) Gecko/20100101 Firefox/11.0',
        'Accept'            : 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
        'Accept-Encoding'    : 'gzip,deflate,sdch',
        'Accept-Language'    : 'zh-CN,zh;q=0.8'
    }

    url = 'https://github.com/trending/{language}'.format(language=language)
    r = requests.get(url, headers=HEADERS)
    assert r.status_code == 200
    # print(r.encoding)

    d = pq(r.content)
    items = d('ol.repo-list li')

    # codecs to solve the problem utf-8 codec like chinese
    with codecs.open(filename, "a", "utf-8") as f:
        f.write('\n####{language}\n'.format(language=language))

        for item in items:
            i = pq(item)
            title = i("h3 a").text()
            owner = i("span.prefix").text()
            description = i("p.col-9").text()
            url = i("h3 a").attr("href")
            url = "https://github.com" + url
            # ownerImg = i("p.repo-list-meta a img").attr("src")
            # print(ownerImg)
            f.write(u"* [{title}]({url}):{description}\n".format(title=title, url=url, description=description))
#定時爬取對應語言的并寫入到markdown文本中
def job():
    strdate = datetime.datetime.now().strftime('%Y-%m-%d')
    filename = '{date}.md'.format(date=strdate)
    # create markdown file
    createMarkdown(strdate, filename)
    # write markdown
    scrape('Python', filename)
    scrape('swift', filename)
    scrape('javascript', filename)
    scrape('go', filename)
    scrape('Objective-C', filename)
    scrape('Java', filename)
    scrape('C++', filename)
    scrape('C#', filename)

    # git add commit push
    git_add_commit_push(strdate, filename)
#主函數(shù)
if __name__ == '__main__':
    while True:
        job()
        time.sleep(12 * 60 * 60)

4. 擴展及埋坑 下集預告

這里分享幾個Python相關的重要鏈接，看了一定會有收獲（尤其是前兩者），而且很大，沒效果你回來打我（匿

下面準備把oschina一個類似的東西一塊爬一下，push到repo里

接下來準備寫一個爬取學校教務系統(tǒng)驗證碼并訓練識別的文章，敬請期待。

• 資源匯總：Python框架、類庫、軟件和資源匯總repo
• 爬蟲集合：各種Python爬蟲集合
• Python爬蟲教程: 靜覓 崔慶才的個人博客
• Python學習路線: 知乎：如何入門 Python 爬蟲?
• 原repo go語言版本: github-trending
• Python版本: github-trending