爬取某吧的帖子及各帖子所有回復(fù)的內(nèi)容

這個(gè)程序有借鑒別人的代碼:

# -*- coding:utf-8 -*-

import os
import codecs
import json
import urllib
import urllib.request
from lxml import etree

class Spider:
    def __init__(self):
        self.pages = int(input('請輸入需要爬取的頁數(shù)(請輸入50的倍數(shù)數(shù)字):'))
        self.url = 'http://tieba.baidu.com/f?kw=%E6%95%B4%E5%AE%B9&ie=utf-8&pn='
        self.ua_header = {"User-Agent" : "Mozilla/5.0(compatible;MSIE 9.0;Windows NT 6.1; Trident/5.0;"}


    def tiebaSpider(self):
        for page in range(50, self.pages + 1, 50):
            url = 'http://tieba.baidu.com/f?kw=%E6%95%B4%E5%AE%B9&ie=utf-8&pn=' + str(page)
            # 并且獲取頁面所有帖子鏈接,
            links = self.loadPage(url)


    #讀取頁面內(nèi)容
    def  loadPage(self, url):
        req = urllib.request.Request(url, headers=self.ua_header)
        html = urllib.request.urlopen(req).read().decode('utf8',errors='replace')

        #解析html 為 HTML
        selector = etree.HTML(html)
        # print(selector)
        links = selector.xpath('//div[@class="threadlist_lz clearfix"]/div/a/@href')

        for link in links:
            link = "http://tieba.baidu.com" + link
            self.loadImages(link)


    # 獲取
    def loadImages(self, link):
        req = urllib.request.Request(link, headers= self.ua_header)
        html = urllib.request.urlopen(req).read().decode('utf8',errors='replace')

        selector = etree.HTML(html)

        #獲取這個(gè)帖子里所有回復(fù)人荆残,回復(fù)內(nèi)容党觅,和帖子標(biāo)題
        title = selector.xpath('//div[@class="left_section"]//div/h1/text()')[0]
        # 獲取每個(gè)內(nèi)容塊
        content_field = selector.xpath('//div[@class="l_post j_l_post l_post_bright  "]')
        reply = {}
        reply['reply_title'] = title


        for each_content in content_field:
            reply_info = json.loads(each_content.xpath('@data-field')[0])
            author = reply_info['author']['user_name']
            reply_time = reply_info['content']['date']
            content = each_content.xpath('div[@class="d_post_content_main"]/div/cc/div[starts-with(@id, "post_content") \
                                                and contains(@class,"d_post_content j_d_post_content  clearfix")]')
            reply['reply_author'] = author
            reply['reply_content_time'] = reply_time
            reply['reply_content'] = content[0].xpath('string(.)').replace(' ', '')
            self.writeImages(reply)



    #按帖子title來建立文件名
    def writeImages(self, reply):
        s_path = './Baidu/'
        if not os.path.isdir(s_path):
            os.mkdir(s_path)
        else:
            pass
        file = codecs.open(s_path + str(reply['reply_title']) + '.txt', 'a', encoding='utf-8')
        file.write(reply['reply_author'] + ":" + reply['reply_content'] + '\n')
        file.close()



Spider = Spider()
Spider.tiebaSpider()

效果圖:


1501579580(1).jpg
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市凰狞,隨后出現(xiàn)的幾起案子豁陆,更是在濱河造成了極大的恐慌柑爸,老刑警劉巖,帶你破解...
    沈念sama閱讀 216,372評論 6 498
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件盒音,死亡現(xiàn)場離奇詭異表鳍,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)祥诽,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,368評論 3 392
  • 文/潘曉璐 我一進(jìn)店門譬圣,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人雄坪,你說我怎么就攤上這事厘熟。” “怎么了维哈?”我有些...
    開封第一講書人閱讀 162,415評論 0 353
  • 文/不壞的土叔 我叫張陵绳姨,是天一觀的道長。 經(jīng)常有香客問我阔挠,道長飘庄,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 58,157評論 1 292
  • 正文 為了忘掉前任购撼,我火速辦了婚禮跪削,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘迂求。我一直安慰自己切揭,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,171評論 6 388
  • 文/花漫 我一把揭開白布锁摔。 她就那樣靜靜地躺著廓旬,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上孕豹,一...
    開封第一講書人閱讀 51,125評論 1 297
  • 那天涩盾,我揣著相機(jī)與錄音,去河邊找鬼励背。 笑死春霍,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的叶眉。 我是一名探鬼主播址儒,決...
    沈念sama閱讀 40,028評論 3 417
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼衅疙!你這毒婦竟也來了莲趣?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 38,887評論 0 274
  • 序言:老撾萬榮一對情侶失蹤饱溢,失蹤者是張志新(化名)和其女友劉穎喧伞,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體绩郎,經(jīng)...
    沈念sama閱讀 45,310評論 1 310
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡潘鲫,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,533評論 2 332
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了肋杖。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片溉仑。...
    茶點(diǎn)故事閱讀 39,690評論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖状植,靈堂內(nèi)的尸體忽然破棺而出彼念,到底是詐尸還是另有隱情,我是刑警寧澤浅萧,帶...
    沈念sama閱讀 35,411評論 5 343
  • 正文 年R本政府宣布,位于F島的核電站哲思,受9級特大地震影響洼畅,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜棚赔,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,004評論 3 325
  • 文/蒙蒙 一帝簇、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧靠益,春花似錦丧肴、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,659評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至壳快,卻和暖如春纸巷,著一層夾襖步出監(jiān)牢的瞬間镇草,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 32,812評論 1 268
  • 我被黑心中介騙來泰國打工瘤旨, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留梯啤,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 47,693評論 2 368
  • 正文 我出身青樓存哲,卻偏偏與公主長得像因宇,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個(gè)殘疾皇子祟偷,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,577評論 2 353

推薦閱讀更多精彩內(nèi)容