爬取天涯论坛数据,看看大家都在讨论什么
前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
在我们浏览网页,浏览器会渲染输出HTML、JS、CSS等信息;通过这些元素,我们就可以看到我们想要查看的新闻,图片,电影,评论,商品等等。一般情况下我们看到自己需要的内容,图片可能会复制文字并且下载图片保存,但是如果面对大量的文字和图片,我们人工是处理不过来的,同时比如类似百度需要每天定时获取大量网站最新文章并且收录,这些大量数据与每天的定时的工作我们是无法通过人工去处理的,这时候爬虫的作用就体现出来了。
SRE实战 互联网时代守护先锋,助力企业售后服务体系运筹帷幄!一键直达领取阿里云限量特价优惠。
内容介绍:
话不多说,直接开始,开始我们的论坛爬虫旅程。
1、模块导入
# encoding:utf8 import requestsfrom bs4 import BeautifulSoup
导入requests网络数据请求模块,用于网络爬虫。导入BeautifulSoup尾页解析模块,用于网页数据处理。
2、获取url资源
def getHtmlList(list, url, main_url): try: soup = getHtmlText(url) managesInfo = soup.find_all('td', attrs={'class': 'td-title faceblue'}) for m in range(len(managesInfo)): a = managesInfo[m].find_all('a') #获取帖子的位置 for i in a: try: href = i.attrs['href'] list.append(main_url + href) #把帖子的url存放在list中 except: continue print(list) except: print("获取网页失败")
获取一个url,通过requests.get()方法,获取页面的信息,这是一个获取url资源的模块。
3、获取子帖列表
def getHtmlList(list, url, main_url): try: soup = getHtmlText(url) managesInfo = soup.find_all('td', attrs={'class': 'td-title faceblue'}) for m in range(len(managesInfo)): a = managesInfo[m].find_all('a') #获取帖子的位置 for i in a: try: href = i.attrs['href'] list.append(main_url + href) #把帖子的url存放在list中 except: continue print(list) except: print("获取网页失败")
获取一个url,调用第一个函数解析财经论坛页面,获取到其中的子帖子的url,存放在list中。这个方法得到了该链接下所有子帖的网络链接,为接下来的数据爬取做准备。子帖列表如下:
4、解析页面
def getHtmlInfo(list, fpath): for i in list: infoDict = {} #初始化存放帖子要获取的全部信息的字典 authorInfo = [] #初始化存放帖子评论的作者的信息的列表 comment = [] #初始化存放帖子评论的信息的列表 try: soup = getHtmlText(i) if soup == "": #如果页面不存在则跳过,继续获取 continue Info = soup.find('span', attrs={'style': 'font-weight:400;'}) title = Info.text # 获取帖子的标题 infoDict.update({'论坛话题: ': title}) #把帖子的标题内容存放到字典中 author = soup.find_all('div', attrs={'class': 'atl-info'}) for m in author: authorInfo.append(m.text) #把帖子中的评论的作者的信息存放到列表里 author = soup.find_all('div', attrs={'class': 'bbs-content'}) for m in author: comment.append(m.text) #把帖子的评论的信息存放在列表里 for m in range(len(authorInfo)): key = authorInfo[m] + '\n' value = comment[m] + '\n' infoDict[key] = value # 把评论的作者的信息跟评论的内容以键值对的形式存储起来 # 把获取到的信息存放在自己指定的位置 with open(fpath, 'a', encoding='utf-8')as f: for m in infoDict: f.write(str(m) + '\n') f.write(str(infoDict[m]) + '\n') except: continue
把list中的url通过for循环一个一个解析页面,获取其中我们想要的内容,然后把得到的内容存放在指定的电脑的位置里。
5、传入参数
def main(): main_url = 'http://bbs.tianya.cn' develop_url = 'http://bbs.tianya.cn/list-1109-1.shtml' #develop_url = 'http://bbs.tianya.cn/list-develop-1.shtml' ulist = [] fpath = r'E:\tianya.txt' getHtmlList(ulist, develop_url, main_url) getHtmlInfo(ulist, fpath) main() # 运行main函数
输入爬取的网页名称以及数据保存路径,本文未对爬取的数据进行进一步解析。爬取结果如下,包括主帖的内容已经跟贴的内容。
不管你是零基础还是有基础都可以获取到自己相对应的学习礼包!包括Python软件工具和2020最新入门到实战教程。加群695185429即可免费获取。
更多精彩