爬取目标: 收集网站帖子里发帖人用户名,发帖人ID;帖子的ID,发帖内容;网站title

提前需要准备的python库

pip3 install requests //用于获得网站的源码

pip3 install bs4 //解析遍历网站标签

pip3 install urllib //解析网站的url

首先导入包

import requests

from bs4 import BeautifulSoup

from urllib.parse import parse_qs,urlparse

import json //导出文件的时候用json输出

第一部: 获取网站的源码

def get_Web_content(url):

response = requests.get(url)

if response.status_code == 200:

if '抱歉，指定的主题不存在或已被删除或正在被审核' in response.text:

return False

else:

return response.text

else:

return False

第二部: 获取网站的源码并且解析

def get_Web_Info(Content):

soup = BeautifulSoup(Content,"html.parser") //转化为BS对象

title = soup.title.string

url = soup.link['href']

parsed_url = urlparse(url) //parsed_url讲URL解析,最后返回字典对象(协议、位置、路径、参数、查询、片段).返回的查询query之后会用到

posted_url = parse_qs(parsed_url.query) //parse_qs解析 parse_qs函数范围的对象中的query查询

tid = posted_url['tid'][0] //posted_url(字典类型) //将字典第一个元素取出

userlist = get_post_userlist(soup) // 调用get_post_userlist方法 - 获取发帖用户信息

contentlist = get_contentlist(soup) // 调用get_conentlist方法,获得内容的信息

for i in range(len(contentlist)):

contentlist[i]['user_list'] = userlist[i] // 将userlist中的信息 添加进contentlist中

post_content_info = {

'title':title,

'url':url,

'tid':tid,

'author':userlist[0],

'content':contentlist[0]['content'],

'comment':contentlist[1:]

}

return post_content_info

def get_post_userlist(post_soup_object):

user_info_doms = post_soup_object.select(".authi")

# 选择器，可以获得多条也可以获得单条数据

user_list = []

# 定义一个用户空列表

for i in range(len(user_info_doms)):

if i%2 == 0: // 第二条数据无用

user_name = user_info_doms[i].a.string //选择将a标签里的字段取出

# 将下角标为i的数据转换成string类型

uid = parse_qs(user_info_doms[i].a['href'])['uid'][0] //获取链接中的uid

user_list.append({"user_name":user_name,"uid":uid})

# 向列表中添加元素

return user_list //返回一个列表

# 返回发帖者的数组

def get_contentlist(Soup):

object = Soup.select('.t_f')

content_list = []

for i in range(len(object)):

content = object[i].string

postmessage = object[i]['id']

tid = postmessage.split("_")[1] //split 以'_'分割 取之后的第一个元素

content_list.append({"tid":tid,"content":content})

return content_list

//将爬取的数据写入txt文件

//这样导出的格式可以直接导入进数据库中

def writeTofile(content):

with open("test4.text",'a',encoding='utf-8') as f:

f.write(content['url']+'\t') '\t 后面追加一个tab空格'

f.write(content['tid']+'\t')

f.write(content['author']['user_name']+'\t')

f.write(content['author']['uid']+'\t')

f.write(json.dumps(content['comment'],ensure_ascii=False)+'\t')

f.write('{0:<30}'.format(content['title']).split("-")[0] +'\t')

f.write('\n')

f.close()

url = 'http://www.9yfeng.com/forum.php?mod=viewthread&tid='

for i in range(1,1000):

content = get_Web_content(url+str(i))

if(content!=False):

web_info = get_Web_Info(content)

writeTofile(web_info)