Python爬虫--- 1.5 爬虫实践：获取百度贴吧内容

刘康康

2019-06-29

原文链接：https://www.fkomm.cn/article/...

经过前期大量的学习与准备，我们重要要开始写第一个真正意义上的爬虫了。本次我们要爬取的网站是：百度贴吧，一个非常适合新人练手的地方，那么让我们开始吧。
本次要爬的贴吧是<< 西部世界 >>，西部世界是我一直很喜欢的一部美剧，平时有空也会去看看吧友们都在聊些什么。所以这次选取这个吧来作为实验材料。

贴吧地址 : https://tieba.baidu.com/f?kw=...

Python版本 : 3.6 浏览器版本： Chrome

目标分析：

由于是第一个实验性质爬虫，我们要做的不多，我们需要做的就是：

从网上爬下特定页码的网页。
对于爬下的页面内容进行简单的筛选分析。
找到每一篇帖子的标题、发帖人、日期、楼层、以及跳转链接。
将结果保存到文本。

前期准备：看到贴吧的url地址是不是觉得很乱？有那一大串认不得的字符？

其实这些都是中文字符， %E8%A5%BF%E9%83%A8%E4%B8%96%E7%95%8C

在编码之后就是：西部世界。

链接的末尾处：&ie=utf-8 表示该连接采用的是utf-8编码。

windows的默认编码是GBK，在处理这个连接的时候，需要我们在Python里手动设置一下，才能够成功使用。

Python3相对于Python2对于编码的支持有了很大的提升，默认全局采用utf-8编码，所以建议还在学Python2的小伙伴赶紧投入Python3的怀抱，真的省了老大的功夫了。

接着我们翻到贴吧的第二页：
url: https://tieba.baidu.com/f?kw=%E8%A5%BF%E9%83%A8%E4%B8%96%E7%95%8C&ie=utf-8&pn=50

注意到没有，连接的末尾处多了一个参数&pn=50, 这里我们很容易就能猜到，这个参数的与页码的联系：

&pn=0 ：首页
&pn=50：第二页
&pn=100：第三页
&pn=50*n 第n页
50 表示每一页都有50篇帖子。

这下我们就能通过简单的url修改，达到翻页的效果了。

chrome开发人员工具的使用：

要写爬虫，我们一定要会使用开发工具，说起来这个工具是给前端开发人员用的，但是我们可以通过它快速定位我们要爬取的信息，并找到相对应的规律。

按cmmand+option+I 打开chrome工具，（win可以看按F12或者手动在chrome工具栏里打开）

Python爬虫--- 1.5 爬虫实践：获取百度贴吧内容

使用模拟点击工具快速定位到一个单独帖子的位置。(左上角的鼠标箭头图标)

Python爬虫--- 1.5 爬虫实践：获取百度贴吧内容

我们仔细的观察一下，发现每个帖子的内容都包裹在一个li标签内。

这样我们只要快速找出所有的符合规则的标签，在进一步分析里面的内容，最后筛选出数据就可以了。

内容分析

我们先写出抓取页面内容的函数：

这是前面介绍过的爬取框架，以后我们会经常用到。

import requests 
from bs4 import BeautifulSoup

# 首先我们写好抓取网页的函数
def get_html(url):
    try:
        r = requests.get(url,timeout=30)
        r.raise_for_status()
        #这里我们知道百度贴吧的编码是utf-8，所以手动设置的。爬去其他的页面时建议使用：
        # r.endcodding = r.apparent_endconding 
        r.encoding='utf-8'
        return r.text
    except:
        return " ERROR "

接着我们摘取其中的详细信息：

我们来分一下每一个li标签内部的结构：一个大的li标签内包裹着很多个 div标签，而我们要的信息就在这一个个div标签之内：

# 标题&帖子链接
<a rel="noreferrer" href="/p/5803134498" title="【高淸】西部世界1-2季，中英字，未❗️删❕减.?任性给" target="_blank" class="j_th_tit ">【高淸】西部世界1-2季，中英字，未❗️删❕减.?任性给</a>

#发帖人：
<span class="tb_icon_author no_icon_author" title="主题作者: 爱学习的萌新_" data-field="{&quot;user_id&quot;:829797296}"><i class="icon_author"></i><span class="pre_icon_wrap pre_icon_wrap_theme1 frs_bright_preicon"><a class="icon_tbworld icon-crown-super-v1" href="/tbmall/tshow" data-field="{&quot;user_id&quot;:829797296}" target="_blank" title="贴吧超级会员"></a></span>

#回复数量：

<div class="col2_left j_threadlist_li_left">
<span class="threadlist_rep_num center_text" title="回复">822</span>
</div>

#发帖日期：
<span class="pull-right is_show_create_time" title="创建时间">7-20</span>

分析完之后，我们就能很容易的通过soup.find()方法得到我们想要的结果。

具体代码的实现：

'''
抓取百度贴吧---西部世界吧的基本内容
爬虫线路： requests - bs4
Python版本： 3.6
OS： mac os 12.13.6
'''

import requests
import time
from bs4 import BeautifulSoup

# 首先我们写好抓取网页的函数


def get_html(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        # 这里我们知道百度贴吧的编码是utf-8，所以手动设置的。爬去其他的页面时建议使用：
        # r.endcodding = r.apparent_endconding
        r.encoding = 'utf-8'
        return r.text
    except:
        return " ERROR "


def get_content(url):
    '''
    分析贴吧的网页文件，整理信息，保存在列表变量中
    '''

    # 初始化一个列表来保存所有的帖子信息：
    comments = []
    # 首先，我们把需要爬取信息的网页下载到本地
    html = get_html(url)

    # 我们来做一锅汤
    soup = BeautifulSoup(html, 'lxml')

    # 按照之前的分析，我们找到所有具有‘ j_thread_list clearfix’属性的li标签。返回一个列表类型。
    liTags = soup.find_all('li', attrs={'class': ' j_thread_list clearfix'})

    # 通过循环找到每个帖子里的我们需要的信息：
    for li in liTags:
        # 初始化一个字典来存储文章信息
        comment = {}
        # 这里使用一个try except 防止爬虫找不到信息从而停止运行
        try:
            # 开始筛选信息，并保存到字典中
            comment['title'] = li.find(
                'a', attrs={'class': 'j_th_tit '}).text.strip()
            comment['link'] = "http://tieba.baidu.com/" + \
                li.find('a', attrs={'class': 'j_th_tit '})['href']
            comment['name'] = li.find(
                'span', attrs={'class': 'tb_icon_author '}).text.strip()
            comment['time'] = li.find(
                'span', attrs={'class': 'pull-right is_show_create_time'}).text.strip()
            comment['replyNum'] = li.find(
                'span', attrs={'class': 'threadlist_rep_num center_text'}).text.strip()
            comments.append(comment)
        except:
            print('出了点小问题')

    return comments


def Out2File(dict):
    '''
    将爬取到的文件写入到本地
    保存到当前目录的 TTBT.txt文件中。

    '''
    with open('TTBT.txt', 'a+') as f:
        for comment in dict:
            f.write('标题： {} \t 链接：{} \t 发帖人：{} \t 发帖时间：{} \t 回复数量： {} \n'.format(
                comment['title'], comment['link'], comment['name'], comment['time'], comment['replyNum']))

        print('当前页面爬取完成')


def main(base_url, deep):
    url_list = []
    # 将所有需要爬去的url存入列表
    for i in range(0, deep):
        url_list.append(base_url + '&pn=' + str(50 * i))
    print('所有的网页已经下载到本地！ 开始筛选信息。。。。')

    #循环写入所有的数据
    for url in url_list:
        content = get_content(url)
        Out2File(content)
    print('所有的信息都已经保存完毕！')


base_url = 'https://tieba.baidu.com/f?kw=%E8%A5%BF%E9%83%A8%E4%B8%96%E7%95%8C&ie=utf-8'
# 设置需要爬取的页码数量
deep = 3

if __name__ == '__main__':
    main(base_url, deep)

代码里有详细的注释和思路，看不懂的话多看几遍下面是爬完的结果：

Python爬虫--- 1.5 爬虫实践：获取百度贴吧内容