“希希敬敬對”百度貼吧小爬蟲任務計劃：

今天的團隊討論照片：

　　　龍江騰（隊長） 201810775001

　　　　　完成任務“對貼吧前10頁進行爬取任務”，明天將完成“爬取發帖主題人的主題回覆資料”程式碼review。

　　　楊希                   201810812008

　　　　　完成“對貼吧前10頁進行爬取任務”程式碼review，明天將完成程式碼，實現“爬取發帖主題人的主題回覆資料”功能。

　　　何敬上　　　　 201810812004

　　　　　完成任務“對貼吧前10頁進行爬取任務”，明天將完成“爬取發帖主題人的主題回覆資料”程式碼review。

遇到的問題：

　　最開始不能對需要爬取到的html程式碼塊準確定位，後來改進正則表示式成功爬取到需要的資料，並完整爬取到10頁內所有需要的資料。

燃盡圖：

程式程式碼：

# 找到資料對應的網頁，分析網頁結構找到資料所在的標籤位置
#模擬HTTP請求，向伺服器傳送這個請求，獲取到伺服器返回給我們的HTML

import re
from urllib import request

class BDTBCrawler():
    url = "http://tieba.baidu.com/f?kw=%E4%B8%9C%E5%8D%8E%E7%90%86%E5%B7%A5%E5%A4%A7%E5%AD%A6&ie=utf-8"
    Name_num_list = []

    def __init__(self, url):
        BDTBCrawler.url = url

    #匹配到包含了主題作者和帖子回覆數關鍵字的標籤
    root_pattern = '<span class="threadlist_rep_num center_text"([\s\S]*?)data-field='

    #模擬HTTP請求，向伺服器傳送請求，獲取到伺服器返回給我們的HTML
    def __fetch_content(self):
        r = request.urlopen(BDTBCrawler.url)
        htmls = r.read()
        # 將伺服器返回的位元組碼轉換成字串格式
        htmls = str(htmls, encoding='utf-8')
        return htmls

    def __analysis(self, htmls):
        #root_html獲取包含了主題作者和帖子回覆數關鍵字的標籤
        root_html = re.findall(BDTBCrawler.root_pattern, htmls)
        return root_html

    def go(self):
        #使用for迴圈爬取前10頁
        htmls = ''
        for i in range(0, 10):
            pn = i * 50
            #page記錄當前爬取頁面需要在URL上新增的字串
            page = '&pn=' + str(pn)
            BDTBCrawler.url += page
            htmls += self.__fetch_content()
        root_html = self.__analysis(htmls)
        print(root_html)

crawler = BDTBCrawler(BDTBCrawler.url)
crawler.go()

 經執行，獲取某貼吧前10頁html功能已實現。