半自动爬虫，顾名思义就是一半手动一半自动地进行爬虫，手动的部分是把网页的源代码复制下来，自动的部分是通过正则表达式把其中的有效信息提取出来。

在百度贴吧中任意寻找一个贴吧并打开一个热门帖子，将帖子的源代码复制下来，并保存为source.txt。Python读入这个source.txt文件，通过正则表达式获取用户名、发帖内容和发帖时间，并保存为result.csv。涉及的知识点如下。

（1）在浏览器中查看网站的源代码。 网页右键/可以辅助F12元素查找。

（2）使用Python读文本文件。

（3）正则表达式的应用。

（4）先抓大再抓小的匹配技巧。 （先把每一块取出来，再在这些块里匹配规则）

（5）使用Python写CSV文件。

 1、直接读取。

缺点：用户名和内容可能不匹配。

import re
import csv
with open('text.txt',encoding='utf-8') as f:
    content=f.read()
# every_reply=re.findall('class="l_post l_post_bright j_l_post clearfix  "(.*?)p_props_tail props_appraise_wrap', content,re.S)
result_list=[]
username_list = re.findall('username="(.*?)"', content,re.S)
content_list= re.findall('j_d_post_content " style="display:;">(.*?)<', content,re.S)
reply_time_list=re.findall('"tail-info">(.*?)<', content,re.S)
for i in range(len(username_list)):
    result={'username':username_list[i],
            'content':content_list[i],
            'reply_time':reply_time_list[i]}
    result_list.append(result)
import csv

with open('result.csv','w',encoding='utf-8')as f:
    write=csv.DictWriter(f,fieldnames=['username','content','reply_time'])#写入CSV文件的列名行：
    write.writeheader()
    write.writerows(result_list)#将包含字典的列表全部写入到CSV文件中

结果：

 

扫描二维码关注公众号，回复： 14485197 查看本文章

2、先按块读取，再从每块中读取。

 

import re
import csv
with open('text.txt',encoding='utf-8') as f:
    content=f.read()
result_list=[]
every_reply=re.findall('class="l_post l_post_bright j_l_post clearfix  "(.*?)p_props_tail props_appraise_wrap', content,re.S)
for each in every_reply:
    result={}
    result['username']=re.findall('username="(.*?)"', each,re.S)[0]
    result['content']=re.findall('j_d_post_content " style="display:;">(.*?)<', each,re.S)[0]
    result['reply_time']=re.findall('"tail-info">(20.*?)<', each,re.S)[0]
    result_list.append(result)



import csv

with open('result2.csv','w',encoding='utf-8')as f:
    write=csv.DictWriter(f,fieldnames=['username','content','reply_time'])#写入CSV文件的列名行：
    write.writeheader()
    write.writerows(result_list)#将包含字典的列表全部写入到CSV文件中

结果：

来源：