如何使用python爬虫论坛?
除了之前跟大家讲述过的视频、音乐以及时事新闻,关于爬虫可以做的事情有很多很多,像论坛也是其中之一,应用最火的内容,之前给大家罗列的爬虫实际内容有很多,但是还是希望将每个实际内容都跟大家说一下。让大家在遇到这些问题时候,可以有个参考,因此,根据大家罗列的清单,给大家继续安排python怎么爬取论坛,一起来看下吧~
库:requests,re,selenium,time
具体步骤:
一、搜索贴吧
准备一个自己想要爬取的内容
二、显示贴吧首页的帖子
要提取发帖人的名字和帖子主题,选择用正则表达式来实现,具体代码如下:
titles = re.findall('<a rel="noreferrer" href="/p/(w+)" title="(.*?)"', res.text)authors = re.findall('title="主题作者: (.*?)"', res.text)
三、查看某一个帖子
通过观察网页源码,可以用正则表达式匹配到这部分回复,然后对于这些回复,也要进行处理后再显示出来。
comment_list2 = re.findall('post_bubble_middle_inner">(.*?)<div', res.text, re.DOTALL)comment = comment_list2[num].replace('<br>', ' ').replace('</div>', ' ')
具体源码如下:
import requestsimport time
import re
from selenium import webdriver
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/"
"53.0.2785.89 Safari/537.36"
}
class TieBa:
def __init__(self, name, url):
self.name = name # 贴吧名
self.url = url # 贴吧首页的url
# 显示首页上的帖子作者和标题
def get_homepage(self):
print("
{}吧".format(self.name))
res = requests.get(self.url, headers=headers)
titles = re.findall('<a rel="noreferrer" href="/p/(w+)" title="(.*?)"', res.text)
authors = re.findall('title="主题作者: (.*?)"', res.text)
for title, author in zip(titles, authors):
print(str(titles.index(title) + 1) + "--" + author + ":" + title[1])
print("
****************************")
n = int(input("请输入您想要查看的帖子序号:"))
print("****************************
")
self.get_page("http://tieba.baidu.com/p/" + titles[n - 1][0])
# 显示帖子的具体内容
def get_page(self, page_url):
res = requests.get(page_url, headers=headers)
author_list = re.findall('p_author_name j_user_card.*?>(.*?)<', res.text)
comment_list = re.findall('content clearfix">(.*?)</div>', res.text, re.DOTALL)
if len(comment_list) == 0:
comment_list = re.findall('d_post_content j_d_post_content ">(.*?)</div>', res.text, re.DOTALL)
# 带回复框的单独考虑
comment_list2 = re.findall('post_bubble_middle_inner">(.*?)<div', res.text, re.DOTALL)
num = 0
# 处理图片和表情,显示对应的链接
for author, comment in zip(author_list, comment_list):
print(author.strip(), end=" : ")
comment = comment.strip().replace('<br>', ' ')
if "<div" in comment: # 解析有评论框的评论
comment = comment_list2[num].replace('<br>', ' ').replace('</div>', ' ')
num += 1
if "src" in comment: # 处理图片信息
src_list = re.findall('src="(.*?)"', comment)
pattern_list = re.findall('(<img.*?>)', comment)
for s, p in zip(src_list, pattern_list):
comment = comment.replace(p, ' ' + s)
if "href" in comment: # 处理表情信息
pattern_list = re.findall('(<a .*? >)', comment)
for p in pattern_list:
comment = comment.replace(p, ' ').replace("</a>", '')
print(comment)
while True:
x = int(input("
输入1查看下一页,输入0回到首页,输入-1退出程序:"))
if x == -1:
exit()
if x == 0:
self.get_homepage()
if x == 1:
next_page = re.findall('<a href="(.*?)">下一页', res.text)
if len(next_page)>0:
self.get_page("http://tieba.baidu.com" + next_page[0])
else:
print("已经是最后一页了!")
# 利用selenium模拟浏览器查找贴吧
def search():
chrome_options = webdriver.ChromeOptions()
chrome_options.add_argument('--headless')
browser = webdriver.Chrome(chrome_options=chrome_options)
browser.get("https://tieba.baidu.com/")
name = input("请输入想要进入的贴吧名字:")
browser.find_element_by_xpath('//*[@id="wd1"]').send_keys(name)
browser.find_element_by_xpath('//*[@id="tb_header_search_form"]/span[1]/a').click()
url = browser.current_url
if "tieba.baidu.com/f?ie=utf-8" in url: # 搜索的贴吧存在
print("正在进入{}吧,请稍等...".format(name))
time.sleep(2)
t = TieBa(name, url)
t.get_homepage()
else:
print("没有找到{}吧
".format(name))
main()
def main():
x = int(input("输入1搜索进入贴吧,输入-1退出程序:"))
if x == 1:
search()
else:
exit()
if __name__ == '__main__':
main()
好了,以上就是爬取论坛的内容了,如果大家遇到这种问题,可以来看下小编的这篇内容,很容易解决的哦~
以上是 如何使用python爬虫论坛? 的全部内容, 来源链接: utcz.com/z/529241.html