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 requests import 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("ntttttt{}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****************************") n = int(input("请输入您想要查看的帖子序号:")) print("****************************n") 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("n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n".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~
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试