【Python3爬蟲】百度貼吧爬蟲
先說下我寫這個爬蟲的思路吧:首先是利用selenium模擬瀏覽器,然後搜尋貼吧名,如果不存在就提示“沒有找到該貼吧”,然後重新輸入,如果搜到了這個貼吧,就進入該貼吧並且顯示該貼吧首頁上的所有帖子,然後我們可以選擇檢視哪一個帖子,程式就會返回該帖子的內容,對於評論較多的帖子,還可以檢視下一頁,如果想看別的帖子,可以退回到首頁重新選擇。
環境:Windows7,Python3.5,pycharm
使用到的庫:requests,re,selenium,time
具體步驟:
一、搜尋貼吧
先搜尋一個存在的貼吧(比如python),得到的網頁連結是http://tieba.baidu.com/f?ie=utf-8&kw=python&fr=search&red_tag=q3127125854
然後搜尋一個不存在的貼吧(比如sad213),得到的網頁連結是http://tieba.baidu.com/f/search/res?qw=sad213&sm=2&cf=1&ie=utf-8&red_tag=r3419770693
對比兩個連結可知,如果返回的連結裡包含tieba.baidu.com/f?ie=utf-8,則該貼吧存在。所以我 利用selenium模擬瀏覽器,根據返回的結果判斷搜尋的貼吧是否存在。
二、顯示貼吧首頁的帖子
在搜尋到貼吧之後,我們要進入該貼吧並檢視該貼吧首頁上的帖子,這部分實現起來不算難。
首先是獲取網頁原始碼,用requests.get()方法請求網頁,然後打印出text內容,可以找到如下部分。
要提取發帖人的名字和帖子主題,我選擇用正則表示式來實現,具體程式碼如下:
titles = re.findall('<a rel="noreferrer" href="/p/(\w+)" title="(.*?)"', res.text) authors = re.findall('title="主題作者: (.*?)"', res.text)
這樣我們就能成功獲取首頁上的帖子資訊了。
三、檢視某一個帖子
要檢視一個帖子裡的內容,第一步是和上面的步驟一樣的,用get方法請求網頁,然後列印text,再用正則表示式提取回復人的名字和回覆內容。
接下來的步驟花了我不少時間,因為很多人在評論的時候會發表情,而這些表情我們是無法將它顯示出來的,因此我選擇將表情對應的連結顯示出來,如果要看別人發的是什麼表情,直接點連結進去就能看到了。對於評論中的圖片,我也是這麼處理的,將圖片的連結顯示出來。
這一步還有一個坑,就是因為有些人的回覆是帶有回覆框的,也就是說這些人的評論是包裹在div裡的,用上面的方法是無法得到他們的回覆的。
通過觀察網頁原始碼,我發現可以用正則表示式匹配到這部分回覆,然後對於這些回覆,也要進行處理後再顯示出來。
comment_list2 = re.findall('post_bubble_middle_inner">(.*?)<div', res.text, re.DOTALL)
comment = comment_list2[num].replace('<br>', ' ').replace('</div>', ' ')
這樣我們就能夠搜尋貼吧並且進入貼吧檢視我們想看的帖子了==
具體原始碼如下:
1 import requests 2 import time 3 import re 4 from selenium import webdriver 5 6 headers = { 7"user-agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/" 8"53.0.2785.89 Safari/537.36" 9 } 10 11 12 class TieBa: 13def __init__(self, name, url): 14self.name = name# 貼吧名 15self.url = url# 貼吧首頁的url 16 17# 顯示首頁上的帖子作者和標題 18def get_homepage(self): 19print("\n\t\t\t\t\t\t{}吧".format(self.name)) 20res = requests.get(self.url, headers=headers) 21titles = re.findall('<a rel="noreferrer" href="/p/(\w+)" title="(.*?)"', res.text) 22authors = re.findall('title="主題作者: (.*?)"', res.text) 23for title, author in zip(titles, authors): 24print(str(titles.index(title) + 1) + "--" + author + ":" + title[1]) 25print("\n****************************") 26n = int(input("請輸入您想要檢視的帖子序號:")) 27print("****************************\n") 28self.get_page("http://tieba.baidu.com/p/" + titles[n - 1][0]) 29 30# 顯示帖子的具體內容 31def get_page(self, page_url): 32res = requests.get(page_url, headers=headers) 33author_list = re.findall('p_author_name j_user_card.*?>(.*?)<', res.text) 34comment_list = re.findall('contentclearfix">(.*?)</div>', res.text, re.DOTALL) 35if len(comment_list) == 0: 36comment_list = re.findall('d_post_content j_d_post_content ">(.*?)</div>', res.text, re.DOTALL) 37 38# 帶回復框的單獨考慮 39comment_list2 = re.findall('post_bubble_middle_inner">(.*?)<div', res.text, re.DOTALL) 40num = 0 41 42# 處理圖片和表情,顯示對應的連結 43for author, comment in zip(author_list, comment_list): 44print(author.strip(), end=" : ") 45comment = comment.strip().replace('<br>', ' ') 46if "<div" in comment:# 解析有評論框的評論 47comment = comment_list2[num].replace('<br>', ' ').replace('</div>', ' ') 48num += 1 49if "src" in comment:# 處理圖片資訊 50src_list = re.findall('src="(.*?)"', comment) 51pattern_list = re.findall('(<img.*?>)', comment) 52for s, p in zip(src_list, pattern_list): 53comment = comment.replace(p, ' ' + s) 54if "href" in comment:# 處理表情資訊 55pattern_list = re.findall('(<a .*? >)', comment) 56for p in pattern_list: 57comment = comment.replace(p, ' ').replace("</a>", '') 58print(comment) 59 60while True: 61x = int(input("\n輸入1檢視下一頁,輸入0回到首頁,輸入-1退出程式:")) 62if x == -1: 63exit() 64if x == 0: 65self.get_homepage() 66if x == 1: 67next_page = re.findall('<a href="(.*?)">下一頁', res.text) 68if len(next_page)>0: 69self.get_page("http://tieba.baidu.com" + next_page[0]) 70else: 71print("已經是最後一頁了!") 72 73 74 # 利用selenium模擬瀏覽器查詢貼吧 75 def search(): 76chrome_options = webdriver.ChromeOptions() 77chrome_options.add_argument('--headless') 78browser = webdriver.Chrome(chrome_options=chrome_options) 79 80browser.get("https://tieba.baidu.com/") 81name = input("請輸入想要進入的貼吧名字:") 82browser.find_element_by_xpath('//*[@id="wd1"]').send_keys(name) 83browser.find_element_by_xpath('//*[@id="tb_header_search_form"]/span[1]/a').click() 84url = browser.current_url 85if "tieba.baidu.com/f?ie=utf-8" in url:# 搜尋的貼吧存在 86print("正在進入{}吧,請稍等...".format(name)) 87time.sleep(2) 88t = TieBa(name, url) 89t.get_homepage() 90else: 91print("沒有找到{}吧\n".format(name)) 92main() 93 94 95 def main(): 96x = int(input("輸入1搜尋進入貼吧,輸入-1退出程式:")) 97if x == 1: 98search() 99else: 100exit() 101 102 103 if __name__ == '__main__': 104main()