“希希敬敬对”团队作业-敏捷冲刺-3

“希希敬敬对”百度贴吧小爬虫任务计划：

今天的团队讨论照片：

 

　　　龙江腾（队长） 201810775001

　　　　　完成任务“对贴吧前10页进行爬取任务”，明天将完成“爬取发帖主题人的主题回复数据”代码review。

　　　杨希                   201810812008

　　　　　完成“对贴吧前10页进行爬取任务”代码review，明天将完成代码，实现“爬取发帖主题人的主题回复数据”功能。

　　　何敬上　　　　 201810812004

　　　　　完成任务“对贴吧前10页进行爬取任务”，明天将完成“爬取发帖主题人的主题回复数据”代码review。

遇到的问题：

　　最开始不能对需要爬取到的html代码块准确定位，后来改进正则表达式成功爬取到需要的数据，并完整爬取到10页内所有需要的数据。

燃尽图：

 

 

程序代码：

# 找到数据对应的网页，分析网页结构找到数据所在的标签位置
#模拟HTTP请求，向服务器发送这个请求，获取到服务器返回给我们的HTML

import re
from urllib import request

class BDTBCrawler():
    url = "http://tieba.baidu.com/f?kw=%E4%B8%9C%E5%8D%8E%E7%90%86%E5%B7%A5%E5%A4%A7%E5%AD%A6&ie=utf-8"
    Name_num_list = []

    def __init__(self, url):
        BDTBCrawler.url = url

    #匹配到包含了主题作者和帖子回复数关键字的标签
    root_pattern = '<span class="threadlist_rep_num center_text"([\s\S]*?)data-field='

    #模拟HTTP请求，向服务器发送请求，获取到服务器返回给我们的HTML
    def __fetch_content(self):
        r = request.urlopen(BDTBCrawler.url)
        htmls = r.read()
        # 将服务器返回的字节码转换成字符串格式
        htmls = str(htmls, encoding='utf-8')
        return htmls

    def __analysis(self, htmls):
        #root_html获取包含了主题作者和帖子回复数关键字的标签
        root_html = re.findall(BDTBCrawler.root_pattern, htmls)
        return root_html

    def go(self):
        #使用for循环爬取前10页
        htmls = ''
        for i in range(0, 10):
            pn = i * 50
            #page记录当前爬取页面需要在URL上添加的字符串
            page = '&pn=' + str(pn)
            BDTBCrawler.url += page
            htmls += self.__fetch_content()
        root_html = self.__analysis(htmls)
        print(root_html)

crawler = BDTBCrawler(BDTBCrawler.url)
crawler.go()

 经运行，获取某贴吧前10页html功能已实现。

转载于:https://www.cnblogs.com/dyls/p/10017444.html