1. 程式人生 > >抄來的一個Python爬蟲demo,備忘

抄來的一個Python爬蟲demo,備忘

從知乎上抄過來的demo,作者是在ios下開發的,直接拿到windows平臺上執行有報錯。所以做了修改,下面是修改後的原始碼:

# -*- coding: utf-8 -*-
"""
Created on Wed Apr 11 14:57:23 2018

@author: sw
"""

import requests
from bs4 import BeautifulSoup

# 首先我們寫好抓取網頁的函式


def get_html(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        # 這裡我們知道百度貼吧的編碼是utf-8,所以手動設定的。爬去其他的頁面時建議使用:
        #r.endcodding = r.apparent_endconding()
        r.encoding = 'utf-8'
        return r.text
    except:
        print('獲取網頁資料失敗')
        return " ERROR "


def get_content(url):
    '''
    分析貼吧的網頁檔案,整理資訊,儲存在列表變數中
    '''

    # 初始化一個列表來儲存所有的帖子資訊:
    comments = []
    # 首先,我們把需要爬取資訊的網頁下載到本地
    html = get_html(url)
    
    # 我們來做一鍋湯
    soup = BeautifulSoup(html, 'lxml')

    # 按照之前的分析,我們找到所有具有‘ j_thread_list clearfix’屬性的li標籤。返回一個列表型別。
    liTags = soup.find_all('li', attrs={'class': ' j_thread_list clearfix'})

    # 通過迴圈找到每個帖子裡的我們需要的資訊:
    for li in liTags:
        # 初始化一個字典來儲存文章資訊
        comment = {}
        # 這裡使用一個try except 防止爬蟲找不到資訊從而停止執行
        try:
            # 開始篩選資訊,並儲存到字典中
            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('出了點小問題')

    return comments


def Out2File(dict):
    '''
    將爬取到的檔案寫入到本地
    儲存到當前目錄的 TTBT.txt檔案中。

    '''
    with open('TTBT.txt', 'a+', encoding='utf-8') as f:
        for comment in dict:
            f.write('標題: {} \t 連結:{} \t 發帖人:{} \t 發帖時間:{} \t 回覆數量: {} \n'.format(
                comment['title'], comment['link'], comment['name'], comment['time'], comment['replyNum']))

        print('當前頁面爬取完成')


def main(base_url, deep):
    url_list = []
    # 將所有需要爬去的url存入列表
    for i in range(0, deep):
        url_list.append(base_url + '&pn=' + str(50 * i))
    print('所有的網頁已經下載到本地! 開始篩選資訊。。。。')

    #迴圈寫入所有的資料
    for url in url_list:
        content = get_content(url)
        Out2File(content)
    print('所有的資訊都已經儲存完畢!')


base_url = 'http://tieba.baidu.com/f?kw=%E7%94%9F%E6%B4%BB%E5%A4%A7%E7%88%86%E7%82%B8'
# 設定需要爬取的頁碼數量
deep = 3

if __name__ == '__main__':
    main(base_url, deep)