100行python代码爬取5万条网易新闻评论

前几天学习了一下如何爬取网易新闻动态评论,以demo为基础扩展成了100行的小程序,一次可以获取5万多条评论(当然,这取决于当时的评论总数),代码贴上:

from bs4 import BeautifulSoup
import requests
import json

#global values
headers = {'User-Agent':'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/\
            537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11'}
offset = 0 #获取评论的起点
limit = 40 #一次获取评论数
count_comments = 0 #评论计数
count_news = 0 #新闻计数


##################################以下函数模块###########################################
#创建获取评论数据的url in:str,int,int out:str
def createUrl(commentUrl,offset,limit):
    s1 = 'http://comment.news.163.com/api/v1/products/a2869674571f77b5a0867c3d71db5856/threads/'
    s2 = '/comments/newList?offset='
    name = commentUrl.split('/')[-1].split('.')[0]
    u = s1 + str(name) + s2 + str(offset) + '&limit=' + str(limit)
    return u

#从单个json文件中获取评论 in:dict  out:set
def getItemsList(data):
    setComment = set([])
    for key in data['comments'].keys():
        setComment.add(data['comments'][key]['content'])
    return setComment

#通过url获取一篇新闻评论 in:str  out:list
def getComments(commentUrl):
    global limit
    global offset
    global count_comments
    comments = set([])
    while(1):
        res = requests.get(url=createUrl(commentUrl,offset,limit),headers=headers,timeout=10).content
        data = json.loads(res.decode())
        if 'comments' in data.keys() and len(data['comments'].keys()) != 0:
            comments = getItemsList(data) | comments
            offset += (limit+1)
        else:
            break
    count_comments += len(list(comments))
    offset = 1
    return list(comments)

#存储评论到txt文件 in:str,list
def store2Txt(filename,commentList):
    fw = open(filename,'a',encoding='utf-8')
    for string in commentList:
        fw.write(string+'\n')
    fw.close()

#获取新闻链接 out:list
def getcommentUrlList():
    global count_comments
    rightUrlList = ["news.163.com","sports.163.com","war.163.com","money.163.com","lady.163.com","renjian.163.com","zajia.news.163.com"]
    commentUrlList = []
    url = 'http://www.163.com/'
    res = requests.get(url=url,headers=headers)
    tag = BeautifulSoup(res.content.decode('gbk'))
    tag = tag.find_all(name='a',limit=10000)
    for aTag in tag:
        if 'href' in aTag.attrs.keys():
            if aTag['href'].split('.')[-1] == 'html' and len(aTag['href'].split('/')[-1].split('.')[0]) == 16 and aTag['href'].split('/')[2] in rightUrlList:
                commentUrlList.append(aTag['href'])
    return commentUrlList

#从txt文件获取评论数 in:str
def getNumFromTxt(filename):
    c = 0
    fr = open(filename,'rb+')
    for line in fr.readlines():
        c += 1
    return c

#获取网易新闻当天所有的评论 in:str
def getTodayComments(filename):
    global count_news
    commentUrlList = getcommentUrlList()
    print("获取到 "+str(len(commentUrlList))+" 条新闻链接")
    for commentUrl in commentUrlList:
        count_news += 1
        print("获取第 "+str(count_news)+" 条新闻评论")
        print("    url: "+str(commentUrl))
        try:
            comments = getComments(commentUrl)
        except Exception:
            print("        获取失败!!!")
        print("        获取到 "+str(len(comments))+" 条新闻评论")
        store2Txt(filename,comments)
    print("共获取了 "+str(count_comments)+" 条评论")

##################################操作区域###########################################
getTodayComments("1.txt")
# print(getNumFromTxt("1.txt"))

解释两个函数:
getTodayComments(“1.txt”)
获取今天的新闻评论,传入一个str参数,获取到的数据存储在以这个参数值为文件名的文件当中。

getNumFromTxt(“1.txt”)
返回以参数值为文件名的文件中的评论数。(其实就是数了有几行)

执行过程及结果:

这里写图片描述

这里写图片描述

  • 2
    点赞
  • 22
    收藏
    觉得还不错? 一键收藏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值