Python爬虫--- 1.5 爬虫实践: 获取百度贴吧内容


经过前期大量的学习与准备,我们重要要开始写第一个真正意义上的爬虫了。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

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。

Python3相对于Python2对于编码的支持有了很大的提升,默认全局采用utf-8编码,所以建议还在学Python2的小伙伴赶紧投入Python3的怀抱,真的省了老大的功夫了。

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。

chrome开发人员工具的使用:

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:

  • 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。

    开始写代码吧?

    我们先写出抓取页面内人的函数:

    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 "
    

    接着我们摘取其中的详细信息:

    • 我们来分一下每一个li标签内部的结构:

    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。