浅谈天涯社区“工薪一族”爬虫

最新推荐文章于 2024-07-12 16:42:46 发布

孤独的我_89682

最新推荐文章于 2024-07-12 16:42:46 发布

阅读量262

点赞数 1

文章标签：爬虫 python

本文链接：https://blog.csdn.net/qq_33889574/article/details/126164562

版权

浅谈天涯社区“工薪一族”爬虫

1. 确定数据结构

首先，明确一个问题：要存什么。

以下是我最终代码的数据结构

{
    "time": "2022-08-04 10:25:07",	// 开始爬取的时间
    "pages": 3,	// 爬取页面数
    "posts": [ //大列表,记录各个帖子
        {
            "page": 1, //记录以下是哪个页面
            "posts": [ //列表记录该页帖子
                {
                    "title": "历史学习记录", //标题
                    "post_time": "2022-08-04 03:37:49", //发送时间
                    "author_id": "潘妮sun", //作者
                    "url": "http://bbs.tianya.cn/post-170-917565-1.shtml", //帖子链接
                    "author_url": "http://www.tianya.cn/112795571", //作者链接
                    "read_num": "8", //阅读数
                    "reply_num": "4", //回复数
                    "content": "黄帝和炎帝其实并不是皇帝，而是古书记载中黄河流域远古..."
                    //帖子内容(文本过长,这里只展示一部分)
                },
				......
            ]
        }
    ]
}

由此可见,我们要存的东西如下:

爬取时间,页数
帖子标题&链接
帖子发送时间
帖子作者&链接
阅读数&回复数
帖子内容

2. 页面分析

2.1 目录页面分析

打开目标页面：http://bbs.tianya.cn/list.jsp?item=170

按下f12，打开开发者工具，分析页面结构。

主体页面由9个tbody构成，其中第一个为表格标题，其余八个内部各有10个帖子，共80个
每个tbody内由10个tr构成，记录了帖名和链接、作者和链接、点击量、回复量、最后回复时间
每页最后会有一个链接指向下一页，如同链表的指针

这里注意，第一页的下一页按钮是第二个，其余页是第三个

2.2 帖子页面分析

随便打开一条帖子, 如http://bbs.tianya.cn/post-170-878768-1.shtml

按下f12，打开开发者工具，分析页面结构。

html的head标签内有文章题目(后面会提到为啥要说这个)
发帖时间有两种

一种为div内单独span标签内,以纯文本形式存储

另一种为和点击和回复一起整体保存
帖子内容保存在"bbs-content"的div里,以<br>分段

3. 确定工具

爬取html这里选用request库

解析提取html这里选用xpath库

文本格式化存储要用到json库

记录时间要用到time库

提取文本数据可能要用到正则表达式,导入re库(可选)

*注: 这里可以先记录下浏览器的User-Agent, 构造headers

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.5060.114 Safari/537.36 Edg/103.0.1264.49'
}

4. 开始提取

4.1 提取页面

import requests
from lxml import etree

url = ‘http://bbs.tianya.cn/list.jsp?item=170’
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.5060.114 Safari/537.36 Edg/103.0.1264.49'
}
posts = [] # 保存帖子用
next = ‘’ # 保存下一页链接用

raw = requests.get(url, headers=headers) # 爬取页面
html = etree.HTML(raw.text) # 转换为xml给xpath解析
# 取下一页链接
next = "http://bbs.tianya.cn" + html.xpath('//*[@id="main"]/div[@class="short-pages-2 clearfix"]/div/a[2]/@href')[0]
# 判断第二个是否是下一页按钮，若不是则为第三个按钮
# 第一页以外是a[3]不是a[2]（两个条件不能换顺序，否则第一页会报错）
if html.xpath('//*[@id="main"]/div[@class="short-pages-2 clearfix"]/div/a[2]/text()')[0] != '下一页':
    next = "http://bbs.tianya.cn" + html.xpath('//*[@id="main"]/div[@class="short-pages-2 clearfix"]/div/a[3]/@href')[0] 
tbodys = html.xpath('//*[@id="main"]/div[@class="mt5"]/table/tbody') # 提取9个tbody
tbodys.remove(tbodys[0]) # 移除页首表头（标题	作者	点击	回复	回复时间）
for tbody in tbodys:
    items = tbody.xpath("./tr")
    for item in items:
        title = item.xpath("./td[1]/a/text()")[0].replace('\r', '').replace('\n', '').replace('\t', '') 
        # 帖子题目会有换行符等符号，需要去除
        post_url = "http://bbs.tianya.cn" + item.xpath("./td[1]/a/@href")[0] # 帖子链接
        author_id = item.xpath("./td[2]/a/text()")[0] # 作者id
        author_url = item.xpath("./td[2]/a/@href")[0] # 作者链接
        read_num = item.xpath("./td[3]/text()")[0] # 阅读数
        reply_num = item.xpath("./td[4]/text()")[0] # 回复数
        post = {
    		'title': title,
    		'author_id': author_id,
    		'url': post_url,
    		'author_url': author_url,
    		'read_num': read_num,
    		'reply_num': reply_num,
		}
        posts.append(post)
		print(post) # 展示输出结果调试用

4.2 提取单个帖子

post_time = '' # 保存发帖时间
post_content = '' # 保存发帖内容
post_url = ‘http://bbs.tianya.cn/post-170-917511-1.shtml’
postraw = requests.get(posturl, headers=headers) 
posthtml = etree.HTML(postraw.text)
# 天涯社区的时间有两种保存格式，这里分别适配
try:
    posttimeraw = posthtml.xpath('//*[@id="post_head"]/div[2]/div[2]/span[2]/text()')[0] # 发帖时间
except:
    posttimeraw = posthtml.xpath('//*[@id="container"]/div[2]/div[3]/span[2]/text()[2]')[0] # 发帖时间
# 利用正则进行时间文本格式化 YYYY-MM-DD HH:mm:ss
post_time = re.findall(r'\d+-\d+-\d+ \d+:\d+:\d+', posttimeraw)[0]
if len(title) == 0: # 处理部分因格式特殊取不到标题的帖子
    title = posthtml.xpath('/html/head/title/text()')[0].replace('_工薪一族_论坛_天涯社区', '')
contents = posthtml.xpath('//*[@id="bd"]/div[4]/div[1]/div/div[2]/div[1]/text()') 
# 帖子内容(列表形式，一段一项)
post_content = ''
for string in contents: # 提取正文每一段
    string = string.replace('\r', '').replace('\n', '').replace('\t', '').replace('\u3000', '') + '\n' 
    # 去除换行符等符号，并加上段间换行符
    post_content += string # 将每段内容拼接起来

4.3 构造函数

这里的目的是为了拼接单帖和页面代码，实现单页内全部数据的提取（包括题目，内容和数据）

下文为我的实现函数，入参为页面网址url和headers，出参为构造的单页面所有数据构成的列表posts和下一页的链接next

def get_posts(url, headers):
    raw = requests.get(url, headers=headers)
    code = raw.status_code
    posts = []
    next = '' 
    # 加载失败直接返回空，避免报错
    if code == 200:
        html = etree.HTML(raw.text)
        # 取下一页链接
        next = "http://bbs.tianya.cn" + html.xpath('//*[@id="main"]/div[@class="short-pages-2 clearfix"]/div/a[2]/@href')[0]
        # 第一页以外是a[3]不是a[2]（两个条件不能换顺序，否则第一页会报错）
        if html.xpath('//*[@id="main"]/div[@class="short-pages-2 clearfix"]/div/a[2]/text()')[0] != '下一页': # 判断第二个按钮是否是下一页按钮
            next = "http://bbs.tianya.cn" + html.xpath('//*[@id="main"]/div[@class="short-pages-2 clearfix"]/div/a[3]/@href')[0] 
        tbodys = html.xpath('//*[@id="main"]/div[@class="mt5"]/table/tbody')
        tbodys.remove(tbodys[0]) # 移除页首表头（标题	作者	点击	回复	回复时间）
        for tbody in tbodys:
            items = tbody.xpath("./tr")
            for item in items:
                title = item.xpath("./td[1]/a/text()")[0].replace('\r', '').replace('\n', '').replace('\t', '') # 帖子题目会有换行符等符号，需要去除
                url = "http://bbs.tianya.cn" + item.xpath("./td[1]/a/@href")[0] # 帖子链接
                author_id = item.xpath("./td[2]/a/text()")[0] # 作者id
                author_url = item.xpath("./td[2]/a/@href")[0] # 作者链接
                read_num = item.xpath("./td[3]/text()")[0] # 阅读数
                reply_num = item.xpath("./td[4]/text()")[0] # 回复数
                # 获取帖子内容
                postraw = requests.get(url, headers=headers) 
                postcode = postraw.status_code
                if postcode == 200:
                    posthtml = etree.HTML(postraw.text)
                    try:
                        posttimeraw = posthtml.xpath('//*[@id="post_head"]/div[2]/div[2]/span[2]/text()')[0] # 发帖时间
                    except:
                        posttimeraw = posthtml.xpath('//*[@id="container"]/div[2]/div[3]/span[2]/text()[2]')[0] # 发帖时间
                    post_time = re.findall(r'\d+-\d+-\d+ \d+:\d+:\d+', posttimeraw)[0]
                    if len(title) == 0: # 处理部分因格式特殊取不到标题的帖子
                        title = posthtml.xpath('/html/head/title/text()')[0].replace('_工薪一族_论坛_天涯社区', '')
                    contents = posthtml.xpath('//*[@id="bd"]/div[4]/div[1]/div/div[2]/div[1]/text()') # 帖子内容(列表形式，一段一项)
                    post_content = ''
                    for string in contents:
                        string = string.replace('\r', '').replace('\n', '').replace('\t', '').replace('\u3000', '') + '\n' # 去除换行符等符号，并加上段间换行符
                        post_content += string # 将每段内容拼接起来
                post = {
                    'title': title,
                    'post_time': post_time,
                    'author_id': author_id,
                    'url': url,
                    'author_url': author_url,
                    'read_num': read_num,
                    'reply_num': reply_num,
                    'content': post_content
                }
                posts.append(post)
                print(title) # 输出帖子题目调试用
    return posts, next

4.4 保存数据

本项目标：构造主函数，实现json格式化保存

def main():
    url = 'http://bbs.tianya.cn/list.jsp?item=170'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.5060.114 Safari/537.36 Edg/103.0.1264.49'
    }
    postss = {
        'time': time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),
        'pages': 0,
        'posts': []
    }
    for i in range(3): # 只爬取前三页
        print("page: " + str(i + 1)) # 输出页码调试用
        posts, next = get_posts(url, headers)
        pages = {
            'page': i + 1,
            'posts': posts
        }
        postss['posts'].append(pages)
        url = next
        postss['pages'] += 1
        # 每获取一页保存一次，容灾
        with open('tianya.json', 'w', encoding='utf-8') as f:
            json.dump(postss, f, ensure_ascii=False, indent=4)
    with open('tianya.json', 'w', encoding='utf-8') as f:
        json.dump(postss, f, ensure_ascii=False, indent=4) # indent=4 是为了格式化json

5. 注意事项

直接从页面提取文本标题会有一些干扰符号，需要去除
页面中部分标题有特殊样式，无法提取，需要进入该帖后利用head中的题目提取存入

6. 成品代码

import requests
from lxml import etree
import json
import re
import time

def get_posts(url, headers):
    raw = requests.get(url, headers=headers)
    code = raw.status_code
    posts = []
    next = '' 
    # 加载失败直接返回空，避免报错
    if code == 200:
        html = etree.HTML(raw.text)
        # 取下一页链接
        next = "http://bbs.tianya.cn" + html.xpath('//*[@id="main"]/div[@class="short-pages-2 clearfix"]/div/a[2]/@href')[0]
        # 第一页以外是a[3]不是a[2]（两个条件不能换顺序，否则第一页会报错）
        if html.xpath('//*[@id="main"]/div[@class="short-pages-2 clearfix"]/div/a[2]/text()')[0] != '下一页': # 判断第二个按钮是否是下一页按钮
            next = "http://bbs.tianya.cn" + html.xpath('//*[@id="main"]/div[@class="short-pages-2 clearfix"]/div/a[3]/@href')[0] 
        tbodys = html.xpath('//*[@id="main"]/div[@class="mt5"]/table/tbody')
        tbodys.remove(tbodys[0]) # 移除页首表头（标题	作者	点击	回复	回复时间）
        for tbody in tbodys:
            items = tbody.xpath("./tr")
            for item in items:
                title = item.xpath("./td[1]/a/text()")[0].replace('\r', '').replace('\n', '').replace('\t', '') # 帖子题目会有换行符等符号，需要去除
                url = "http://bbs.tianya.cn" + item.xpath("./td[1]/a/@href")[0] # 帖子链接
                author_id = item.xpath("./td[2]/a/text()")[0] # 作者id
                author_url = item.xpath("./td[2]/a/@href")[0] # 作者链接
                read_num = item.xpath("./td[3]/text()")[0] # 阅读数
                reply_num = item.xpath("./td[4]/text()")[0] # 回复数
                # 获取帖子内容
                postraw = requests.get(url, headers=headers) 
                postcode = postraw.status_code
                if postcode == 200:
                    posthtml = etree.HTML(postraw.text)
                    try:
                        posttimeraw = posthtml.xpath('//*[@id="post_head"]/div[2]/div[2]/span[2]/text()')[0] # 发帖时间
                    except:
                        posttimeraw = posthtml.xpath('//*[@id="container"]/div[2]/div[3]/span[2]/text()[2]')[0] # 发帖时间
                    post_time = re.findall(r'\d+-\d+-\d+ \d+:\d+:\d+', posttimeraw)[0]
                    if len(title) == 0: # 处理部分因格式特殊取不到标题的帖子
                        title = posthtml.xpath('/html/head/title/text()')[0].replace('_工薪一族_论坛_天涯社区', '')
                    contents = posthtml.xpath('//*[@id="bd"]/div[4]/div[1]/div/div[2]/div[1]/text()') # 帖子内容(列表形式，一段一项)
                    post_content = ''
                    for string in contents:
                        string = string.replace('\r', '').replace('\n', '').replace('\t', '').replace('\u3000', '') + '\n' # 去除换行符等符号，并加上段间换行符
                        post_content += string # 将每段内容拼接起来
                post = {
                    'title': title,
                    'post_time': post_time,
                    'author_id': author_id,
                    'url': url,
                    'author_url': author_url,
                    'read_num': read_num,
                    'reply_num': reply_num,
                    'content': post_content
                }
                posts.append(post)
                print(title) # 输出帖子题目调试用
    return posts, next

def main():
    url = 'http://bbs.tianya.cn/list.jsp?item=170'
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.5060.114 Safari/537.36 Edg/103.0.1264.49'
    }
    postss = {
        'time': time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),
        'pages': 0,
        'posts': []
    }
    for i in range(3): # 只爬取前三页
        print("page: " + str(i + 1)) # 输出页码调试用
        posts, next = get_posts(url, headers)
        pages = {
            'page': i + 1,
            'posts': posts
        }
        postss['posts'].append(pages)
        url = next
        postss['pages'] += 1
        # 每获取一页保存一次，容灾
        with open('tianya.json', 'w', encoding='utf-8') as f:
            json.dump(postss, f, ensure_ascii=False, indent=4)
    with open('tianya.json', 'w', encoding='utf-8') as f:
        json.dump(postss, f, ensure_ascii=False, indent=4) # indent=4 是为了格式化json

if __name__ == '__main__':
    main()