专栏首页日常学python爬虫实践: 获取百度贴吧内容

爬虫实践: 获取百度贴吧内容

原文链接:https://www.jianshu.com/p/ca6daafe80e9

本次我们要爬取的网站是:百度贴吧,一个非常适合新人练手的地方,那么让我们开始吧。

本次要爬的贴吧是<< 西部世界 >>,西部世界是我一直很喜欢的一部美剧,平时有空也会去看看吧友们都在聊些什么。所以这次选取这个吧来作为实验材料。

贴吧地址 : https://tieba.baidu.com/f?kw=%E8%A5%BF%E9%83%A8%E4%B8%96%E7%95%8C&ie=utf-8

Python版本 : 3.6 浏览器版本: Chrome

1.目标分析

由于是第一个实验性质爬虫,我们要做的不多,我们需要做的就是:

1、从网上爬下特定页码的网页 2、对于爬下的页面内容进行简单的筛选分析 3、找到每一篇帖子的 标题、发帖人、日期、楼层、以及跳转链接 4、将结果保存到文本。

前期准备: 看到贴吧的url地址是不是觉得很乱?有那一大串认不得的字符?

其实这些都是中文字符, %E8%A5%BF%E9%83%A8%E4%B8%96%E7%95%8C

在编码之后就是: 西部世界。

链接的末尾处:&ie=utf-8 表示该连接采用的是utf-8编码。

windows的默认编码是GBK,在处理这个连接的时候,需要我们在Python里手动设置一下,才能够成功使用。

接着我们翻到贴吧的第二页:

url:

url: https://tieba.baidu.com/f?kw=%E8%A5%BF%E9%83%A8%E4%B8%96%E7%95%8C&ie=utf-8&pn=50

注意到没有,连接的末尾处多了一个参数&pn=50,

这里我们很容易就能猜到,这个参数的与页码的联系:

  • &pn=0 : 首页
  • &pn=50: 第二页
  • &pn=100:第三页
  • &pn=50*n 第n页
  • 50 表示 每一页都有50篇帖子。

这下我们就能通过简单的url修改,达到翻页的效果了。

2.chrome开发工具使用

要写爬虫,我们一定要会使用开发工具,说起来这个工具是给前段开发人员用的,但是我们可以通过它快速定位我们要爬取的信息,并找到相对应的规律。

  • 按cmmand+option+I 打开chrome工具,(win可以看按F12或者手动在chrome工具栏里打开)
  • 使用模拟点击工具快速定位到一个单独帖子的位置。(左上角的鼠标箭头图标)

我们仔细的观察一下,发现每个帖子的内容都包裹在一个li标签内:

<li class=" j_thread_list clearfix">

这样我们只要快速找出所有的符合规则的标签,

在进一步分析里面的内容,最后筛选出数据就可以了。

3.开始写代码

  • 我们先写出抓取页面内的人的函数:

这是前面介绍过的爬取框架,以后我们会经常用到。

import requests 
from bs4 import BeautifulSoup
    
# 首先我们写好抓取网页的函数
def get_html(url):
    try:
        r = requests.get(url,timeout=30)
        r.raise_for_status()
        #这里我们知道百度贴吧的编码是utf-8,所以手动设置的。爬去其他的页面时建议使用:
        # r.endcodding = r.apparent_endconding 
        r.encoding='utf-8'
        return r.text
    except:
        return " ERROR "
  • 接着我们抓取详细的信息

一个大的li标签内包裹着很多个 div标签

而我们要的信息就在这一个个div标签之内:

# 标题&帖子链接
<a rel="noreferrer" href="/p/5803134498" title="【高淸】西部世界1-2季,中英字,未❗️删❕减.?任性给" target="_blank" class="j_th_tit ">【高淸】西部世界1-2季,中英字,未❗️删❕减.?任性给</a>
    
#发帖人:
<span class="tb_icon_author no_icon_author" title="主题作者: 爱学习的萌新_" data-field="{&quot;user_id&quot;:829797296}"><i class="icon_author"></i><span class="pre_icon_wrap pre_icon_wrap_theme1 frs_bright_preicon"><a class="icon_tbworld icon-crown-super-v1" href="/tbmall/tshow" data-field="{&quot;user_id&quot;:829797296}" target="_blank" title="贴吧超级会员"></a></span>
    
#回复数量:
    
<div class="col2_left j_threadlist_li_left">
<span class="threadlist_rep_num center_text" title="回复">822</span>
</div>
    
#发帖日期:
<span class="pull-right is_show_create_time" title="创建时间">7-20</span>

分析完之后,我们就能很容易的通过soup.find()方法得到我们想要的结果

  • 具体代码的实现:
'''
抓取百度贴吧---西部世界吧的基本内容
爬虫线路: requests - bs4
Python版本: 3.6
OS: mac os 12.13.6
'''
    
import requests
import time
from bs4 import BeautifulSoup
    
# 首先我们写好抓取网页的函数
    
    
def get_html(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        # 这里我们知道百度贴吧的编码是utf-8,所以手动设置的。爬去其他的页面时建议使用:
        # r.endcodding = r.apparent_endconding
        r.encoding = 'utf-8'
        return r.text
    except:
        return " ERROR "
    
    
def get_content(url):
    '''
    分析贴吧的网页文件,整理信息,保存在列表变量中
    '''
    
    # 初始化一个列表来保存所有的帖子信息:
    comments = []
    # 首先,我们把需要爬取信息的网页下载到本地
    html = get_html(url)
    
    # 我们来做一锅汤
    soup = BeautifulSoup(html, 'lxml')
    
    # 按照之前的分析,我们找到所有具有‘ j_thread_list clearfix’属性的li标签。返回一个列表类型。
    liTags = soup.find_all('li', attrs={'class': ' j_thread_list clearfix'})
    
    # 通过循环找到每个帖子里的我们需要的信息:
    for li in liTags:
        # 初始化一个字典来存储文章信息
        comment = {}
        # 这里使用一个try except 防止爬虫找不到信息从而停止运行
        try:
            # 开始筛选信息,并保存到字典中
            comment['title'] = li.find(
                'a', attrs={'class': 'j_th_tit '}).text.strip()
            comment['link'] = "http://tieba.baidu.com/" + \
                li.find('a', attrs={'class': 'j_th_tit '})['href']
            comment['name'] = li.find(
                'span', attrs={'class': 'tb_icon_author '}).text.strip()
            comment['time'] = li.find(
                'span', attrs={'class': 'pull-right is_show_create_time'}).text.strip()
            comment['replyNum'] = li.find(
                'span', attrs={'class': 'threadlist_rep_num center_text'}).text.strip()
            comments.append(comment)
        except:
            print('出了点小问题')
    
    return comments
    
    
def Out2File(dict):
    '''
    将爬取到的文件写入到本地
    保存到当前目录的 TTBT.txt文件中。
    
    '''
    with open('TTBT.txt', 'a+') as f:
        for comment in dict:
            f.write('标题: {} \t 链接:{} \t 发帖人:{} \t 发帖时间:{} \t 回复数量: {} \n'.format(
                comment['title'], comment['link'], comment['name'], comment['time'], comment['replyNum']))
    
        print('当前页面爬取完成')
    
    
def main(base_url, deep):
    url_list = []
    # 将所有需要爬去的url存入列表
    for i in range(0, deep):
        url_list.append(base_url + '&pn=' + str(50 * i))
    print('所有的网页已经下载到本地! 开始筛选信息。。。。')
    
    #循环写入所有的数据
    for url in url_list:
        content = get_content(url)
        Out2File(content)
    print('所有的信息都已经保存完毕!')
    
    
base_url = 'https://tieba.baidu.com/f?kw=%E8%A5%BF%E9%83%A8%E4%B8%96%E7%95%8C&ie=utf-8'
# 设置需要爬取的页码数量
deep = 3
    
if __name__ == '__main__':
    main(base_url, deep)

代码里有详细的注释和思路,看不懂的话 多看几遍 下面是爬完的结果:

好了今天的小例子到这里就结束了。

本文分享自微信公众号 - 日常学python(daily_learn),作者:緣來

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-10-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • python爬虫常用库之requests详解

    这是日常学python的第11篇原创文章 在使用了urllib库之后,感觉很麻烦,比如获取个cookie都需要分几步,代码又多,这和python的风格好像有点不...

    sergiojune
  • 从00-90后的微信昵称,发现如下规律

    大家好,首先说明的是,这是一篇技术文,也是一篇not技术文,今天分享的是,当我获取了微信小程序英文取名的3500多个微信用户昵称、年龄段后,分析得到下面解果。。...

    sergiojune
  • 分享几个 Chrome 开发者工具的 小技巧

    在《论语》中,孔子提倡“学而不思则罔,思而不学则殆”的学习方法。我们再往深层面挖掘,“思”究竟是在思考什么?个人理解是思考并总结出一些共性的东西,即“套路”。有...

    sergiojune
  • ​Python爬虫--- 1.5 爬虫实践: 获取百度贴吧内容

    原文链接:https://www.fkomm.cn/article/2018/7/22/21.html

    圆方圆PYTHON学院
  • 华硕工作站ESC500 G2触动深海世界

    2013年2月,华硕宣布与兰阳博物馆及台湾科技大学「体感创新应用实验室」共同建置交互式海洋剧场。游客们至宜兰兰阳博物馆参观、游玩,皆能前往体验、潜入虚拟深海世...

    GPUS Lady
  • Flutter实战 | 从 0 搭建「网易云音乐」APP(一、创建项目、添加插件、通用代码)

    本系列可能会伴随大家很长时间,这里我会从0开始搭建一个「网易云音乐」的APP出来。

    Flutter笔记
  • webpack热更新配置小结

    本文作者:IMWeb moonye 原文出处:IMWeb社区 未经同意,禁止转载 webpack热更新配置 热更新,可以使开发的人在修改代码后,不用刷...

    IMWeb前端团队
  • 3 Spark机器学习 spark MLlib 矩阵向量、矩阵运算Breeze库-1

    机器学习里矩阵是必不可少的,无论Python、Java能做机器学习的语言,都会提供比较优质的矩阵库。

    天涯泪小武
  • 【DB笔试面试591】在Oracle中,什么是星型连接(Star Join)?

    星型连接(Star Join)通常用于数据仓库类型的应用,它是一种单个事实表(Fact Table)和多个维度表(Dimension Table)之间的连接。星...

    小麦苗DBA宝典
  • 预告 | 超级产品力系列之《2020中国网络流量监测与分析产品研究报告》即将发布

    根据ESG调查显示,87%的公司企业使用网络流量分析(NTA)工具进行威胁检测与响应,43%认为网络流量分析是威胁检测与响应的第一道防线。

    FB客服

扫码关注云+社区

领取腾讯云代金券