最近のpythonを学ぶ、爬虫類の使用上のpythonは、自分自身の学習の知識を統合するための簡単なプロジェクトを実行します。
私はアイデアを実現します:
1.ページの主題が含まれているすべての記事を入手。
2.キューURLに保存されているページからのポストを抽出し、各URLはポストです。
投稿の内容を取得するためにキューから3.抽出URL。
特定の実装:
まず、ページのすべてのコンテンツを取得します。
私は、このモジュールは、後で要求を交換し、利便性の多くを個人的な感触をurllibはを使用しています。
def getPageAllContent(base_url):
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36'
}
try:
request = requests.get(base_url)
# request = urllib.request.Request(base_url,headers=header)
# reponse = urllib.request.urlopen(request).read()#取得网页内容
# print(reponse)
return request
except Exception as e:
if hasattr(e,"reason"):
print(e.reason)
ポストバーは、ページごとに50件の記事が含まれている、あなたは、ループを介してすべてのURLを取得することができます。
for i in range(0,pageNum):
list_url.append('https://tieba.baidu.com/f?kw=' + tiebaName[0] + '&ie=utf-8&pn=' + str(i*50))
トピック/ 50とポストバーの総ページ数、話題を抽出するために正規表現を使用しています。
def getTitlePageNumber(base_url):
content = getPageAllContent(base_url)
titleNum = re.findall(r'共有主题数<span class="red_text">([0-9]+)</span>个',content.text)
# print(titleNum[0])
pageNum = math.floor(int(titleNum[0])/50)
# print(pageNum)
return int(pageNum)
URLは、中国が含まれている場合XPathは、ポストのURLを取得使用し、あなたがトランスコードする必要があります。
def getSingleUrl(list_url):
final_url = []
for url in list_url:
print(url)
urlcode = quote(url, safe='/:?=&')
content = getPageAllContent(urlcode)
# print(content)
txt = content.text
html_obj = html.fromstring(txt)
urls = html_obj.xpath('//*[@id="thread_list"]/li/div/div[2]/div/div/a[@rel]/@href')
for _url in urls:
#print(_url)
final_url.append("https://tieba.baidu.com" + _url)
# print(final_url)
return final_url
すべてのフロアにURLからコンテンツを取得します
def getTitlePageContent(single_url):
page = getContentPageNumber(single_url)
# print(page)
for i in range(1,int(page)+1):
page_url = "%s?pn=%s" % (single_url,i)
content = getPageAllContent(page_url)
txt = content.text
content_obj = html.fromstring(txt)
if i == 1:
tieTitle = content_obj.xpath("//*[@id='j_core_title_wrap']/h3/@title")
saveTitle(i,str(tieTitle))
tr_list = content_obj.xpath("//*[@id='j_p_postlist']//div[@data-field]/div")
# print(type(tr_list))
for j,tr in enumerate(tr_list):
# print(type(tr))
if j<len(tr_list)/2:
try:
tieContent = tr.xpath("//cc/div")[j].xpath('string(.)').strip()
tieAuthor = tr.xpath("//ul/li[3]/a/text()")[j+1].strip()
tieFloor = tr.xpath("//span[@class='tail-info'][last()-1]/text()")[j].strip()
tieTime = tr.xpath("//span[@class='tail-info'][last()]/text()")[j].strip()
# print(tieTime)
#写入文件
saveContent(tieAuthor,tieTime,tieFloor,tieContent)
# print(tieContent)
except Exception as e:
print(single_url, "----", j, "----", e)
with open("error.html", "w") as f:
f.write(txt.encode("utf-8"))
return
以下は、完全なコードです
#-*- coding:utf-8 -*-
# import urllib.request
import requests
import math
import re
from lxml import html
from urllib.parse import quote
#获取待爬取页面URL
def getMainPageUrl(base_url):
list_url = []
pageNum = getTitlePageNumber(base_url)
tiebaName = re.findall(r'f?kw=(.+)&ie',base_url)
for i in range(0,pageNum):
list_url.append('https://tieba.baidu.com/f?kw=' + tiebaName[0] + '&ie=utf-8&pn=' + str(i*50))
# print(list_url[0])
return list_url
#取得每个帖子对应的URL
def getSingleUrl(list_url):
final_url = []
for url in list_url:
print(url)
urlcode = quote(url, safe='/:?=&')
content = getPageAllContent(urlcode)
# print(content)
txt = content.text
html_obj = html.fromstring(txt)
urls = html_obj.xpath('//*[@id="thread_list"]/li/div/div[2]/div/div/a[@rel]/@href')
for _url in urls:
#print(_url)
final_url.append("https://tieba.baidu.com" + _url)
# print(final_url)
return final_url
#获取整个页面内容
def getPageAllContent(base_url):
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36'
}
try:
request = requests.get(base_url)
# request = urllib.request.Request(base_url,headers=header)
# reponse = urllib.request.urlopen(request).read()#取得网页内容
# print(reponse)
return request
except Exception as e:
if hasattr(e,"reason"):
print(e.reason)
#获取帖子内页面内容
def getTitlePageContent(single_url):
page = getContentPageNumber(single_url)
# print(page)
for i in range(1,int(page)+1):
page_url = "%s?pn=%s" % (single_url,i)
content = getPageAllContent(page_url)
txt = content.text
content_obj = html.fromstring(txt)
if i == 1:
tieTitle = content_obj.xpath("//*[@id='j_core_title_wrap']/h3/@title")
saveTitle(i,str(tieTitle))
tr_list = content_obj.xpath("//*[@id='j_p_postlist']//div[@data-field]/div")
# print(type(tr_list))
for j,tr in enumerate(tr_list):
# print(type(tr))
if j<len(tr_list)/2:
try:
tieContent = tr.xpath("//cc/div")[j].xpath('string(.)').strip()
tieAuthor = tr.xpath("//ul/li[3]/a/text()")[j+1].strip()
tieFloor = tr.xpath("//span[@class='tail-info'][last()-1]/text()")[j].strip()
tieTime = tr.xpath("//span[@class='tail-info'][last()]/text()")[j].strip()
# print(tieTime)
#写入文件
saveContent(tieAuthor,tieTime,tieFloor,tieContent)
# print(tieContent)
except Exception as e:
print(single_url, "----", j, "----", e)
with open("error.html", "w") as f:
f.write(txt.encode("utf-8"))
return
#保存title到文件
def saveTitle(i,tieTitle):
tiebaData = './TiebaData.txt'
f = open(tiebaData,'a+')
f.write('----------------- ' + str(i) + ' ----------------\n')
f.write(tieTitle + '\n')
f.write('------------------------------------\n')
f.close()
#保存帖子内容到文件
def saveContent(tieAuthor,tieTime,tieFloor,tieContent):
tiebaData = './TiebaData.txt'
f = open(tiebaData,'a+')
f.write(tieFloor + ' ' + tieAuthor + ' ' + tieTime + '\n')
f.write(tieContent)
f.write('\n')
f.close()
#获取主题总页面数
def getTitlePageNumber(base_url):
content = getPageAllContent(base_url)
# print(content.text)
titleNum = re.findall(r'共有主题数<span class="red_text">([0-9]+)</span>个',content.text)
# print(titleNum[0])
pageNum = math.floor(int(titleNum[0])/50)
# print(pageNum)
return int(pageNum)
#获取帖子内内容页面数
def getContentPageNumber(url):
content = getPageAllContent(url)
pageNum = re.findall(r'回复贴,共<span class="red">([0-9]+)</span>页',content.text)
# print(pageNum[0])
return pageNum[0]
def main(base_url):
# getPageAllContent(base_url)
# getTitlePageNumber(base_url)
# getContentPageNumber(base_url)
# getMainPageUrl(base_url)
# list_url = getMainPageUrl(base_url)
# getSingleUrl(list_url)
# getTitlePageContent(base_url)
# 获取待爬取贴吧全部页面URL
list_url = getMainPageUrl(base_url)
# 从每个页面URL中获取单个帖子URL
single_url = getSingleUrl(list_url)
# 依次访问单个帖子URL,取得每个帖子的内容
for j,surl in enumerate(single_url):
getTitlePageContent(surl)
print('正在写入第' + str(j+1) + '条...')
base_url = 'https://tieba.baidu.com/f?kw=北宋&ie=utf-8&pn=0'
# base_url = 'https://tieba.baidu.com/p/3864746283'
if __name__ == '__main__':
main(base_url)
実際の動作では、プログラムは依然として効率をさらに最適化する必要がクロール、いくつかの小さなバグが存在します