代码:
# 单帖爬虫,用于爬取理想论坛帖子得到发帖人,发帖时间和回帖时间,url例子见main函数
from bs4 import BeautifulSoup
import requests
import threading
import re
'''
遇到不懂的问题?Python学习交流群:821460695满足你的需求,资料都已经上传群文件,可以自行下载!
'''
user_agent='Mozilla/4.0 (compatible;MEIE 5.5;windows NT)'
headers={'User-Agent':user_agent}
# 帖子爬虫类(多线程)
class topicCrawler(threading.Thread):
def __init__(self,name,url):
threading.Thread.__init__(self,name=name)
self.name=name
self.url=url
self.infos=[]
def run(self):
while(self.url!="none"):
print("线程"+self.name+"开始爬取页面"+self.url);
try:
rsp=requests.get(self.url,headers=headers)
self.url="none"#用完之后置空,看下一页能否取到值
soup= BeautifulSoup(rsp.text,'html.parser',from_encoding='utf-8')
#print(rsp.text); # rsp.text是全文
# 找出一页里每条发言
for divs in soup.find_all('div',class_="postinfo"):
#print(divs.text) # divs.text包含作者和发帖时间的文字
# 用正则表达式将多个空白字符替换成一个空格
RE = re.compile(r'(\s+)')
line=RE.sub(" ",divs.text)
arr=line.split(' ')
#print('楼层='+arr[1])
#print('作者='+arr[2].replace('只看:',''))
#print('日期='+arr[4])
#print('时间='+arr[5])
info={'楼层':arr[1],
'作者':arr[2].replace('只看:',''),
'日期':arr[4],
'时间':arr[5]}
self.infos.append(info);
#找下一页所在地址
for pagesDiv in soup.find_all('div',class_="pages"):
for strong in pagesDiv.find_all('strong'):
print('当前为第'+strong.text+'页')
# 找右边的兄弟节点
nextNode=strong.next_sibling
if nextNode and nextNode.get("href"): # 右边的兄弟节点存在,且其有href属性
#print(nextNode.get("href"))
self.url='http://www.55188.com/'+nextNode.get("href")
if self.url!="none":
print("有下一页,线程"+self.name+"前往下一页")
continue
else:
print("无下一页,线程"+self.name+'爬取结束,开始打印...')
for info in self.infos:
print('\n')
for key in info:
print(key+":"+info[key])
print("线程"+self.name+'打印结束.')
except Exception as e:
print("线程"+self.name+"发生异常。重新爬行")# 不管怎么出现的异常,就让它一直爬到底
print(e);
continue
# 入口函数
def main():
#http://www.55188.com/thread-8205979-1-1.html
#http://www.55188.com/thread-8324517-1-1.html
#http://www.55188.com/thread-8205979-61-1.html
url='http://www.55188.com/thread-8319519-1-1.html'
tc=topicCrawler(name='crawler01',url=url)
tc.start()
# 开始
main()
输出:
C:\Users\horn1\Desktop\python\14>python topicCrawler.py
线程crawler01开始爬取页面http://www.55188.com/thread-8319519-1-1.html
C:\Users\horn1\AppData\Local\Programs\Python\Python36\lib\site-packages\bs4\__init__.py:146: UserWarning: You provided Unicode markup but also provided a value for from_encoding. Your from_encoding will be ignored.
warnings.warn("You provided Unicode markup but also provided a value for from_encoding. Your from_encoding will be ignored.")
当前为第1页
当前为第1页
有下一页,线程crawler01前往下一页
线程crawler01开始爬取页面http://www.55188.com/thread-8319519-2-1.html
当前为第2页
当前为第2页
有下一页,线程crawler01前往下一页
线程crawler01开始爬取页面http://www.55188.com/thread-8319519-3-1.html
当前为第3页
当前为第3页
无下一页,线程crawler01爬取结束,开始打印...
楼层:楼主
作者:马泰的哥们
日期:2018-3-30
时间:09:59
楼层:2楼
作者:龙波2010
日期:2018-3-30
时间:10:00
楼层:3楼
作者:吗日个边
日期:2018-3-30
时间:10:07
楼层:4楼
作者:小兵旨
日期:2018-3-30
时间:10:30
楼层:5楼
作者:勇儿马甲
日期:2018-3-30
时间:10:37
楼层:6楼
作者:培训资料
日期:2018-3-30
时间:10:43
楼层:7楼
作者:短线冲
日期:2018-3-30
时间:10:56
楼层:8楼
作者:马泰的哥们
日期:发表于
时间:2018-3-30
楼层:9楼
作者:一赚
日期:2018-3-30
时间:11:01
楼层:10楼
作者:叼叼狼
日期:2018-3-30
时间:11:25
楼层:11楼
作者:酷我行
日期:2018-3-30
时间:11:40
楼层:12楼
作者:马泰的哥们
日期:发表于
时间:2018-3-30
楼层:13楼
作者:马泰的哥们
日期:发表于
时间:2018-3-30
楼层:14楼
作者:生活如愿
日期:2018-3-30
时间:11:55
楼层:15楼
作者:小兵旨
日期:2018-3-30
时间:12:42
楼层:16楼
作者:李汶安
日期:2018-3-30
时间:12:50
楼层:17楼
作者:马泰的哥们
日期:发表于
时间:2018-3-30
楼层:18楼
作者:小兵旨
日期:2018-3-30
时间:13:49
楼层:19楼
作者:马泰的哥们
日期:发表于
时间:2018-3-30
楼层:20楼
作者:酷我行
日期:2018-3-30
时间:17:21
楼层:21楼
作者:酷我行
日期:2018-3-30
时间:17:24
楼层:22楼
作者:马泰的哥们
日期:发表于
时间:2018-3-30
楼层:23楼
作者:酷我行
日期:2018-3-30
时间:21:37
楼层:24楼
作者:马泰的哥们
日期:发表于
时间:2018-3-30
楼层:25楼
作者:破局
日期:2018-3-30
时间:21:50
楼层:26楼
作者:小中大学生
日期:2018-3-31
时间:00:27
楼层:27楼
作者:理想5e9a18
日期:2018-3-31
时间:00:57
楼层:28楼
作者:龍樹
日期:2018-3-31
时间:06:29
楼层:29楼
作者:生活如愿
日期:2018-3-31
时间:07:49
楼层:30楼
作者:胶东判官
日期:2018-3-31
时间:12:32
楼层:31楼
作者:胶东判官
日期:2018-3-31
时间:12:32
楼层:32楼
作者:天上下鱼
日期:2018-3-31
时间:13:04
楼层:33楼
作者:天上下鱼
日期:2018-3-31
时间:13:05
楼层:34楼
作者:股市小小手
日期:2018-3-31
时间:14:48
楼层:35楼
作者:股市小小手
日期:2018-3-31
时间:14:50
楼层:36楼
作者:逍遥茶
日期:2018-3-31
时间:15:45
楼层:37楼
作者:马泰的哥们
日期:发表于
时间:2018-4-1
楼层:38楼
作者:理想5e9a18
日期:2018-4-1
时间:03:04
楼层:39楼
作者:马泰的哥们
日期:发表于
时间:2018-4-1
楼层:40楼
作者:陈龙333
日期:2018-4-1
时间:03:05
楼层:41楼
作者:马泰的哥们
日期:发表于
时间:2018-4-1
楼层:42楼
作者:理想5e9a18
日期:2018-4-1
时间:03:10
楼层:43楼
作者:马泰的哥们
日期:发表于
时间:2018-4-2
楼层:44楼
作者:理想5e9a18
日期:2018-4-2
时间:11:18
楼层:45楼
作者:马泰效应
日期:2018-4-4
时间:03:00
楼层:46楼
作者:马泰效应
日期:2018-4-4
时间:03:00
楼层:47楼
作者:韭菜008
日期:2018-4-4
时间:08:08
线程crawler01打印结束.