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="{"user_id":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="{"user_id":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。