一个简单的python爬虫,爬取知乎

store_path = ‘E:\zhihu\收藏夹\会员才知道的世界’

class zhihuCollectionSpider(SpiderHTML):

def init(self,pageStart, pageEnd, url):

self._url = url

self._pageStart = int(pageStart)

self._pageEnd = int(pageEnd)+1

self.downLimit = 0 #低于此赞同的答案不收录

def start(self):

for page in range(self._pageStart,self._pageEnd): #收藏夹的页数

url = self._url + ‘?page=’+str(page)

content = self.getUrl(url)

questionList = content.find_all(‘div’,class_=‘zm-item’)

for question in questionList: #收藏夹的每个问题

Qtitle = question.find(‘h2’,class_=‘zm-item-title’)

if Qtitle is None: #被和谐了

continue

questionStr = Qtitle.a.string

Qurl = ‘https://www.zhihu.com’+Qtitle.a[‘href’] #问题题目

Qtitle = re.sub(r’[\/😗?"<>]‘,’#',Qtitle.a.string) #windows文件/目录名不支持的特殊符号

try:

print(‘-----正在获取问题:’+Qtitle+‘-----’) #获取到问题的链接和标题，进入抓取

except UnicodeEncodeError:

print(r’—问题含有特殊字符无法显示—')

try:

Qcontent = self.getUrl(Qurl)

except:

print(‘!!!获取出错!!!’)

pass

answerList = Qcontent.find_all(‘div’,class_=‘zm-item-answer zm-item-expanded’)

self._processAnswer(answerList,Qtitle) #处理问题的答案

time.sleep(5)

def _processAnswer(self,answerList,Qtitle):

j = 0

for answer in answerList:

j = j + 1

upvoted = int(answer.find(‘span’,class_=‘count’).string.replace(‘K’,‘000’)) #获得此答案赞同数

if upvoted < self.downLimit:

continue

authorInfo = answer.find(‘div’,class_=‘zm-item-answer-author-info’) #获取作者信息

author = {‘introduction’:‘’,‘link’:‘’}

try:

author[‘name’] = authorInfo.find(‘a’,class_=‘author-link’).string #获得作者的名字

author[‘introduction’] = str(authorInfo.find(‘span’,class_=‘bio’)[‘title’]) #获得作者的简介

author[‘link’] = authorInfo.find(‘a’,class_=‘author-link’)[‘href’]

except AttributeError:

author[‘name’] = ‘匿名用户’+str(j)

except TypeError: #简介为空的情况

pass #匿名用户没有链接

file_name = os.path.join(store_path,Qtitle,‘info’,author[‘name’]+‘_info.txt’)

if os.path.exists(file_name): #已经抓取过

continue

self.saveText(file_name,‘{introduction}\r\n{link}’.format(**author)) #保存作者的信息

print(‘正在获取用户{name}的答案’.format(**author))

answerContent = answer.find(‘div’,class_=‘zm-editable-content clearfix’)

if answerContent is None: #被举报的用户没有答案内容

continue

imgs = answerContent.find_all(‘img’)

if len(imgs) == 0: #答案没有上图

pass

else:

self._getImgFromAnswer(imgs,Qtitle,**author)

#收录图片

def _getImgFromAnswer(self,imgs,Qtitle,**author):

i = 0

for img in imgs:

if ‘inline-image’ in img[‘class’]: #不抓取知乎的小图

continue

i = i + 1

imgUrl = img[‘src’]

extension = os.path.splitext(imgUrl)[1]

path_name = os.path.join(store_path,Qtitle,author[‘name’]+‘_’+str(i)+extension)

try:

self.saveImg(imgUrl,path_name) #捕获各种图片异常，流程不中断

except:

pass

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）