红亚华宇杯爬虫

这段代码展示了如何利用Python的requests、BeautifulSoup和pandas库来爬取Discuz论坛的帖子信息。首先,定义了fetchURL函数用于获取指定URL的网页内容,然后通过parserHtml解析HTML内容,提取tbody标签内的帖子tid、title和uid。数据存储到DataFrame后,使用save_file函数将其追加写入CSV文件。最后,主函数中循环爬取多个页面,并在每次保存数据后随机延迟一段时间,以避免过于频繁的请求。数据抓取完成后,可以使用Hive SQL将其加载到数据库中。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1、导入第三方库

import requests
from bs4 import BeautifulSoup
import re
import time
import pandas as pd
import random

2、获取网页内容

def fetchURL(url):
    headers = {
        'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36',
    }
    
    try:
        r = requests.get(url,headers=headers)
        r.raise_for_status()
        return r.text
    except requests.HTTPError as e:
        print(e)
        print("HTTPError")
    except requests.RequestException as e:
        print(e)
    except:
        print("Unknown Error !")

3、解析网页内容

def parserHtml(html):
    soup = BeautifulSoup(html,"html.parser")
    tbodys = soup.find_all('tbody')
    data = []
 
    for i in range(1,len(tbodys)):
        comment = tbodys[i]
        try:
            ci = comment.cite.a['href']
            uid = re.findall(r"(\d+)",ci)[0]
        except:
            uid = None
        tmp = comment.find(onclick="atarget(this)")
        title = tmp.string
        tid = re.findall(r"(\d+)",tmp['href'])[0]
        co = {
            'tid':tid,
            'title':title,
            'uid':uid
        }
        data.append(co)
    return pd.DataFrame(data)

4、存储爬取信息

def save_file(data_df):
    data_df.to_csv('/root/discuz_result.txt', mode='a',encoding='utf_8_sig',header = False,index=False) 
    print("successed")

5、主函数

if __name__ == '__main__':
    for i in range(1,20):
        url = 'https://www.discuz.net/forum-developer-{}.html'.format(i)
        html = fetchURL(url)
        data = parserHtml(html)
        save_file(data)
        time.sleep(random.randint(1,3))        
    print("All successed ")

7、将数据存入数据库

create database hive_db;
use hive_db;
create table crawl_discuz(tid int,title string,uid int)row format delimited fields terminated by ',';

load data local inpath '/root/discuz_result.txt' into table crawl_discuz;
评论
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