效果圖:
源代碼:
import urllib.request
import urllib.parse
import re
import json
import csv
import time
import random
# 獲取網頁源代碼
def get_page(url):
headers = {
'USER-AGENT':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
req = urllib.request.Request(url=url,headers=headers)
response = urllib.request.urlopen(req)
html = response.read().decode('utf-8')
return html
# 解析網頁源代碼,提取數據
def parse_page(html):
titles = re.findall(r'href="/p/\d+" title="(.+?)"',html)
authods = re.findall(r'title="主題作者: (.+?)"',html)
nums = re.findall(r'href="/p/(\d+)"',html)
links = ['http://tieba.baidu.com/p/'+str(num) for num in nums] #本質也是一個列表
focus = re.findall(r'title="回覆">(\d+)',html) #回覆數量
ctimes = re.findall(r'title="創建時間">(.+?)<',html)
data = zip(titles,authods,links,focus,ctimes)
return data
# 打開文件
def openfile(fm,fileName):
if fm == 'txt':
return open(fileName+'.txt','w',encoding='utf-8')
elif fm == 'json':
return open(fileName+'.json','w',encoding='utf-8')
elif fm == 'csv':
return open(fileName+'.csv','w',encoding='utf-8',newline='')
else:
return None
# 將數據保存到文件
def save2file(fm,fd,data):
if fm == 'txt':
for item in data:
fd.write('----------------------------------------\n')
fd.write('title:' + str(item[0]) + '\n')
fd.write('authod:' + str(item[1]) + '\n')
fd.write('link:' + str(item[2]) + '\n')
fd.write('focus:' + str(item[3]) + '\n')
fd.write('ctime:' + str(item[4]) + '\n')
if fm == 'json':
temp = ('title','authod','link','focus','ctime')
for item in data:
json.dump(dict(zip(temp,item)),fd,ensure_ascii=False)
if fm == 'csv':
writer = csv.writer(fd)
for item in data:
writer.writerow(item)
# 開始爬取網頁
def crawl():
kw = input('請輸入主題貼吧名字:')
base_url = 'http://tieba.baidu.com/f?kw=' + urllib.parse.quote(kw) + '&ie=utf-8&pn={page}' #用此方法提前標記好 page
fm = input('請輸入文件保存格式(txt、json、csv):')
while fm!='txt' and fm!='json' and fm!='csv':
fm = input('輸入錯誤,請重新輸入文件保存格式(txt、json、csv):')
fd = openfile(fm,kw)
page = 0
total_page = int(re.findall(r'共有主題數<span class="red_text">(\d+)</span>個',get_page(base_url.format(page=str(0))))[0])
print('開始爬取')
while page < total_page:
print('正在爬取第', int(page/50+1), '頁.......')
html = get_page(base_url.format(page=str(page)))
data = parse_page(html)
save2file(fm,fd,data)
page += 50
time.sleep(random.random())
fd.close()
print('結束爬取')
if __name__ == '__main__':
crawl()
講解:
一、open 方法
這個函數能打開當前目錄下的文件,若沒有該文件則自動創建一個新的文件,方法如下:
open(fileName+'.txt','w',encoding='utf-8')
函數返回值:fd = open(fileName+'.txt','w',encoding='utf-8')
,可用於讀寫和關閉文件,方法如下:
fd.write('title:' + str(item[0]) + '\n') #寫入
fd.close() #關閉
二、parse 模塊的 quote 方法
urllib.parse.quote(kw)
作用是將具有中文的不合理 URL 處理成合法的 URL(具體方法見源碼)
三、re 模塊
re 也稱正則表達式,是一組特殊的字符序列,常常用於匹配字符串
下面講講 re 模塊中的 findall 方法,以源代碼舉例:
re.findall(r'共有主題數<span class="red_text">(\d+)</span>個',get_page(base_url.format(page=str(0)))[0]
這段看起來很長,我就來分段講解
base_url.format(page=str(0))
這句就是給前面的 page 賦值爲字符串的 0,就是 format 的基本用法
r'共有主題數<span class="red_text">(\d+)</span>個'
其中r'xxxx'
和 (\d+)
就是正則表達式,前者代表引號內爲正則表達式,後者代表整數( \d 代表一個數字,+ 代表取一或多次)
並且 (\d+)
和 \d+
的意思完全不一樣,有括號代表僅匹配括號內的數字,沒括號代表連着數字的其他字符也一起匹配
re.findall(xxxx,xxxx)[0]
第一個參數代表要匹配內容,第二個參數代表被匹配的字符串(一般是整個 html 內容)
函數返回 匹配成功內容 的列表,[0]
代表取列表第一個元素
再舉一個例子:
titles = re.findall(r'href="/p/\d+" title="(.+?)"',html)
(.+?)
中的 . 號爲匹配除換行符之外的所有字符,? 號爲匹配字符零次或一次
函數返回值:findall 方法 的返回值是一個列表
四、time 模塊 和 random 模塊
time 模塊 的 sleep 方法
time.sleep(t) #進程掛起的時間爲 t 秒
random 模塊 的 random 方法
random.random() #返回隨機生成的一個實數,它在[0,1)範圍內
五、將數據保存到文件
def save2file(fm,fd,data): #選擇格式 選擇文件 zip內容
if fm == 'txt':
for item in data:
fd.write('----------------------------------------\n')
fd.write('title:' + str(item[0]) + '\n') # zip解壓
fd.write('authod:' + str(item[1]) + '\n')
fd.write('link:' + str(item[2]) + '\n')
fd.write('focus:' + str(item[3]) + '\n')
fd.write('ctime:' + str(item[4]) + '\n')
if fm == 'json':
temp = ('title','authod','link','focus','ctime')
for item in data:
json.dump(dict(zip(temp,item)),fd,ensure_ascii=False)
if fm == 'csv':
writer = csv.writer(fd)
for item in data:
writer.writerow(item)
上面代碼可以當作模板來參考使用,具體我也不是很瞭解,用時回顧,不必深究
參考博客:
爬蟲系列(三) urllib的基本使用
爬蟲系列(五) re的基本使用
爬蟲系列(六) 用urllib和re爬取百度貼吧