豆瓣日記、新浪博客爬蟲(python)

前因

豆瓣日記

先分析腳本結(jié)構(gòu)剃袍,再用BeautifulSoup處理

#-*- coding:utf-8 -*-
import re
import requests
import numpy
from bs4 import BeautifulSoup
i=1#計(jì)數(shù)君
name="https://www.douban.com/people/petitespot/notes?start=30&type=note"#鏈接地^
#翻頁的話把30改成40椭员、50……
a= requests.get(name).text
soup = BeautifulSoup(a)

for url in soup.find_all("div", attrs={"class": "note-header-container"}):
    res = url.find(class_='j a_unfolder_n')
    link= res['href']#獲取每篇文章的鏈接地址
    a= requests.get(link).text
    soup1 = BeautifulSoup(a)#第二個(gè)soup結(jié)構(gòu)
    title=soup1.find("meta", attrs={"property": "og:title"})
    title=title['content']#獲取title
    res= soup1.find("div", attrs={"id": "link-report"})
    st=" "
    for a in res.find_all('p'):#如果網(wǎng)頁結(jié)構(gòu)理想,便只有<p></p>
        st+='\n'
        st+=unicode(a.string)
    if st==" ":#否則簡單處理笛园,去掉<br>變?yōu)閾Q行
        st=str(res)
        st=st.replace("<br/>","\n")
        string = str(i) + title + '.txt'
        fp = open(string, 'wb')
        fp.writelines(st)
        fp.close()
        i = i + 1
    else:
        string = str(i) + title + '.txt'
        fp = open(string, 'wb')
        fp.writelines(st.encode("u8"))
        fp.close()
        i = i + 1

新浪博客

新浪的編碼特別奇怪隘击,網(wǎng)上的.decode().encode處理之后仍然是亂碼,最后還是機(jī)緣巧合找到了解決方案研铆。
http://blog.chinaunix.net/uid-13869856-id-5747417.html
https://segmentfault.com/q/1010000000665231

#-*- coding:utf-8 -*-
import re
import requests
import numpy
import urllib
import urllib2
import chardet
import sys
import chardet
from bs4 import BeautifulSoup
i=1
reload(sys)
url = 'http://blog.sina.com.cn/s/articlelist_1270505543_0_1.html'
req = requests.get(url)
if req.encoding == 'ISO-8859-1':
    encodings = requests.utils.get_encodings_from_content(req.text)
    if encodings:
        encoding = encodings[0]
    else:
        encoding = req.apparent_encoding
encode_content = req.content.decode(encoding, 'replace').encode('utf-8', 'replace')

soup = BeautifulSoup(encode_content,'html5lib')
#必須是html5lib埋同,否則會(huì)損失信息

for url in soup.find_all("p", attrs={"class": "atc_main SG_dot"}):
    if i<=36:
        i=i+1
        continue
    res = url.find(target='_blank')
    link= res['href']
    a= requests.get(link)
    encodings = requests.utils.get_encodings_from_content(a.text)
    encoding = encodings[0]
    content = a.content.decode(encoding, 'replace').encode('utf-8', 'replace')
    soup1 = BeautifulSoup(content, 'html5lib')
    title=soup1.title.string
    res= soup1.find("div", attrs={"id": "sina_keyword_ad_area2"})
    st=" "
    st=str(res)
    string = str(i) + title + '.html'
    fp = open(string, 'wb')
    fp.writelines(st)
    fp.close()
    i = i + 1

由于新浪的正文中出現(xiàn)大量html結(jié)構(gòu),只好用html格式存儲(chǔ)棵红,沒有轉(zhuǎn)換成txt文本凶赁。


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)濱河市逆甜,隨后出現(xiàn)的幾起案子虱肄,更是在濱河造成了極大的恐慌,老刑警劉巖交煞,帶你破解...
    沈念sama閱讀 219,490評論 6 508
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件咏窿,死亡現(xiàn)場離奇詭異,居然都是意外死亡素征,警方通過查閱死者的電腦和手機(jī)集嵌,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,581評論 3 395
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來御毅,“玉大人根欧,你說我怎么就攤上這事《饲” “怎么了凤粗?”我有些...
    開封第一講書人閱讀 165,830評論 0 356
  • 文/不壞的土叔 我叫張陵,是天一觀的道長今豆。 經(jīng)常有香客問我嫌拣,道長,這世上最難降的妖魔是什么晚凿? 我笑而不...
    開封第一講書人閱讀 58,957評論 1 295
  • 正文 為了忘掉前任亭罪,我火速辦了婚禮,結(jié)果婚禮上歼秽,老公的妹妹穿的比我還像新娘应役。我一直安慰自己,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,974評論 6 393
  • 文/花漫 我一把揭開白布箩祥。 她就那樣靜靜地躺著院崇,像睡著了一般。 火紅的嫁衣襯著肌膚如雪袍祖。 梳的紋絲不亂的頭發(fā)上底瓣,一...
    開封第一講書人閱讀 51,754評論 1 307
  • 那天,我揣著相機(jī)與錄音蕉陋,去河邊找鬼捐凭。 笑死,一個(gè)胖子當(dāng)著我的面吹牛凳鬓,可吹牛的內(nèi)容都是我干的茁肠。 我是一名探鬼主播,決...
    沈念sama閱讀 40,464評論 3 420
  • 文/蒼蘭香墨 我猛地睜開眼缩举,長吁一口氣:“原來是場噩夢啊……” “哼垦梆!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起仅孩,我...
    開封第一講書人閱讀 39,357評論 0 276
  • 序言:老撾萬榮一對情侶失蹤托猩,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后辽慕,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體京腥,經(jīng)...
    沈念sama閱讀 45,847評論 1 317
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,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 37,995評論 3 338
  • 正文 我和宋清朗相戀三年鼻百,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了绞旅。 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摆尝。...
    茶點(diǎn)故事閱讀 40,137評論 1 351
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡温艇,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出堕汞,到底是詐尸還是另有隱情勺爱,我是刑警寧澤,帶...
    沈念sama閱讀 35,819評論 5 346
  • 正文 年R本政府宣布讯检,位于F島的核電站琐鲁,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏人灼。R本人自食惡果不足惜围段,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,482評論 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望投放。 院中可真熱鬧奈泪,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,023評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至冯遂,卻和暖如春蕊肥,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背蛤肌。 一陣腳步聲響...
    開封第一講書人閱讀 33,149評論 1 272
  • 我被黑心中介騙來泰國打工壁却, 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,地道東北人裸准。 一個(gè)月前我還...
    沈念sama閱讀 48,409評論 3 373
  • 正文 我出身青樓儒洛,卻偏偏與公主長得像,于是被迫代替她去往敵國和親狼速。 傳聞我的和親對象是個(gè)殘疾皇子琅锻,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,086評論 2 355

推薦閱讀更多精彩內(nèi)容