写个小爬虫,以柯南贴吧为例,爬出所以贴吧人员名单和他们的关注贴吧。
在写的时候遇到问题如下:
1.转码问题: 百度贴吧是gbk格式,在使用使有点问题,保存在txt文件中码流出现问题,有很大一部分文字无法显示。
2.昵称转码:
'\xc9\xbd\xb9\xb5\xb9\xb5'
柯南贴吧主页:http://tieba.baidu.com/f?kw=
%BF%C2%C4%CF&fr=index
是将‘柯南’转换为gbk编码将'\x'替换为'%'的方式。
开始是想通过将昵称转为gbk码进行爬取个人主页,结果发现贴吧的url将'\x' 替换为'%'了,试了很多次,由于\xbf这样的为一个字节,无法分割,所以不太好分解,替换。
源码:
import urllib
import urllib2
import re,
#贴吧排名页
url = "http://tieba.baidu.com/f/like/furank?kw=%BF%C2%C4%CF&pn="
#个人主页
user_url = "http://tieba.baidu.com/home/main?un="
request = urllib2.Request(url+'1')
response = urllib2.urlopen(request)
#匹配排名页的用户数
patters = re.compile('gray">(\d*?)</span>')
content = response.read().decode('gbk')
#取得贴吧粉丝总数allper = re.findall(patters,content)
txt = open('data','w')
print int(allper[0])
#计算页数
pages = int(allper[0]
)/ 20#分页爬取for i in range(1,pages+1):
request = urllib2.Request(url+str(i))
response = urllib2.urlopen(request)
content = response.read().decode('gbk')
#取用户名
pattern = re.compile('username="(.*?)">(.*?)</a>')
#取得名次
patterl = re.compile('">(\d*?)</p>')
posts = re.findall(patterl,content)
items = re.findall(pattern,content)
for k in range(20):
tmp = items[k][0].encode('gbk')
#进入用户个人主页
request1 = urllib2.Request(user_url+tmp+'&fr=home')
response1 = urllib2.urlopen(request1)
#取得个人关注贴吧patterk = re.compile('u-f-item unsign"><span>(.*?)</span>')
content = response1.read().decode('gbk')
abort = re.findall(patterk,content)
print items[k],posts[k]
txt.write(posts[k])
txt.write(' ' + items[k][1].encode('gbk') +':\n')
for n in abort :
txt.write('['+n.encode('gbk')+']')
txt.write('\n')
txt = open('data.txt','w')
txt.close()