一个爬取52破解的全部帖子地址的简单爬虫

刚刚学习python爬虫 拿一个小例子练练手。

同样的代码在Linux完美运行,但是在windows中就是各种编码错误。

因为编码问题搞得迷迷糊糊,所以只能用python3.X来操作了

代码如下:

# -*- coding:utf-8 -*-  

import requests
from bs4 import BeautifulSoup
import time



title_list=[{'原创发布区':'http://www.52pojie.cn/forum-2-1.html'},
			{'逆向资源区':'http://www.52pojie.cn/forum-4-1.html'},
			{'脱壳破解区':'http://www.52pojie.cn/forum-5-1.html'},
			{'动画发布区':'http://www.52pojie.cn/forum-6-1.html'},
			{'悬赏问答区':'http://www.52pojie.cn/forum-8-1.html'},
			{'水漫金山':'http://www.52pojie.cn/forum-10-1.html'},
			{'站点公告':'http://www.52pojie.cn/forum-13-1.html'},
			{'精品软件区':'http://www.52pojie.cn/forum-16-1.html'},
			{'音乐视频':'http://www.52pojie.cn/forum-19-1.html'},
			{'编程语言区':'http://www.52pojie.cn/forum-24-1.html'},
			{'申请专区':'http://www.52pojie.cn/forum-25-1.html'},
			{'LCG Area':'http://www.52pojie.cn/forum-28-1.html'},
			{'病毒分析区':'http://www.52pojie.cn/forum-32-1.html'},
			{'周年庆典活动专区':'https://www.52pojie.cn/forum-36-1.html'},
			{'招聘求职':'http://www.52pojie.cn/forum-39-1.html'},
			{'病毒样本区':'http://www.52pojie.cn/forum-40-1.html'},
			{'安全工具区':'http://www.52pojie.cn/forum-41-1.html'},
			{'电子书策划制作区':'http://www.52pojie.cn/forum-42-1.html'},
			{'Key|Patch|共享账号':'http://www.52pojie.cn/forum-44-1.html'},
			{'病毒救援区':'http://www.52pojie.cn/forum-50-1.html'},
			{'影视推荐':'http://www.52pojie.cn/forum-56-1.html'},
			{'LSG Area':'http://www.52pojie.cn/forum-58-1.html'},
			{'软件调试区':'http://www.52pojie.cn/forum-59-1.html'},
			{'T恤活动作品区':'http://www.52pojie.cn/forum-62-1.html'},
			{'移动安全区':'http://www.52pojie.cn/forum-65-1.html'},
			{'福利经验':'http://www.52pojie.cn/forum-66-1.html'},
			{'2014CrackMe大赛':'http://www.52pojie.cn/forum-67-1.html'},
			{'吾爱破解2016安全挑战赛':'http://www.52pojie.cn/forum-71-1.html'},
			{'站务处理':'http://www.52pojie.cn/forum-72-1.html'},
			]






def get_html(url):
	while True:
		try:
			response = requests.get(url)
			return response.text
		except Exception as e:
			time.sleep(10)
			continue


# 得到区域总页数	
def get_page(url):
	html = get_html(url)
	soup = BeautifulSoup(html,'lxml')
	label_list =soup.find_all('label')
	page = int(label_list[3].span.string[3:-2])
	return page
	
# 下载指定页面
def page_down(url):

	page = get_page(url)
	print("总页数:"+str(page))
	txt = input("请输入保存到的文件名(注意添加后缀):")
	for j in range(1,page+1):
		print(("第"+str(j)+"页下载中").center(50,"="))
		html = get_html(url[:-7]+'-'+str(j)+'.html')	
		soup = BeautifulSoup(html,'lxml')
		label_list =soup.find_all('label')
		a_list =soup.find_all('a',attrs={'class':'s xst'})
		#写入到文件
		for a in a_list:
			#print(a.string)
			#print("https://www.52pojie.cn/"+a.attrs['href'])
			with open(txt,'a+',encoding='utf-8') as f:
				f.write(a.get_text())
				f.write('\n')
				f.write("https://www.52pojie.cn/"+a.attrs['href'])
				f.write('\n')
	
		print(("第"+str(j)+"页下载完成").center(50,"■"))

def main():
	i = 0
	time = 0
	url = ''
	# 输出列表
	for title in title_list:
		#print(title)
		for key in title:
			url = str(title[key])
			if time==1:
				print((str(i)+':'+key).ljust(20))
				time=0
				
			else:
				print((str(i)+':'+key).ljust(20),end=" ")
				time+=1
		i+=1
	
	# 判断输入是否在范围内
	while True:
		try:
			print()
			num = int(input('请输入你要浏览的代号:'))
			if num>28 or num<0:
				print('输入有误请重新输入')
				continue
			else:
				break
		except Exception as e:
			print('输入有误请重新输入')
			continue
	# 获得区域链接
	dict_t = title_list[num]
	for key in dict_t:
		print(dict_t[key])
		page_down(dict_t[key])
		
if __name__ == '__main__':
	main()

转载于:https://www.cnblogs.com/zbuter/p/8781193.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
抱歉,我是AI语言模型,无法提供封装好的python代码,但是我可以提供Scrapy微博爬虫的基本思路和代码示例: Scrapy微博爬虫的基本思路: 1. 登录微博 2. 根据关键词搜索微博,获取微博列表 3. 遍历微博列表,提取微博的相关信息,如微博ID、微博内容、发布时间、点赞数、转发数、评论数、作者信息等 4. 如果有下一页,则继续爬取下一页的微博列表,重复2-3步骤 5. 将提取的微博信息保存到本地或远程数据库中 Scrapy微博爬虫的代码示例: 1. 在命令行中创建一个Scrapy项目: scrapy startproject weibo 2. 在weibo/spiders目录下创建一个名为weibospider.py的爬虫文件: import scrapy from scrapy.http import Request class WeiboSpider(scrapy.Spider): name = "weibo" allowed_domains = ["weibo.com"] start_urls = [ "https://weibo.com/" ] def start_requests(self): login_url = 'https://login.weibo.cn/login/' yield Request(url=login_url, callback=self.login) def login(self, response): # 在这里实现微博登录的逻辑 # ... # 登录成功后,调用parse方法开始爬取微博 yield Request(url=self.start_urls[0], callback=self.parse) def parse(self, response): # 在这里实现根据关键词搜索微博的逻辑 # 从搜索结果页面获取微博列表 # ... # 遍历微博列表,提取微博的相关信息 for weibo in weibo_list: weibo_id = weibo.get('id') weibo_content = weibo.get('content') publish_time = weibo.get('publish_time') likes = weibo.get('likes') reposts = weibo.get('reposts') comments = weibo.get('comments') author = weibo.get('author') # 将提取的微博信息保存到本地或远程数据库中 # ... # 如果有下一页,则继续爬取下一页的微博列表 next_page = response.xpath('//a[text()="下一页"]/@href').extract_first() if next_page: yield Request(url=next_page, callback=self.parse) 3. 在命令行中运行爬虫: scrapy crawl weibo 以上是一个简单的Scrapy微博爬虫示例,具体实现需要根据实际情况进行调整和完善。

“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
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