学习网络爬虫的第二个程序:
#-*- coding:utf-8 -*-
#import re
import urllib
from bs4 import BeautifulSoup
import urlparse #处理url链接的库
import chardet #字符集检测
import sys #解决UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-15: ordinal not in range(128)
reload(sys)
sys.setdefaultencoding( "utf-8" )
"""
爬取某贴吧第一页的所有帖子的标题、连接、作者,将数据储存到txt文件中
"""
def get_content(url):
""" 获取页面源码"""
html = urllib.urlopen(url) #获取网站页面的地址
content = html.read() #将页面读取到content变量中
html.close() #关闭页面
#local = '/root/desktop/python/teiba.html'
#urllib.urlretrieve(url,local) #将页面源码下载的本地
#print chardet.detect(content) #检测网页的字符集,依据网页具体内容
return content
def get_author(info):
"""
提取帖子里面的作者
"""
soup = BeautifulSoup(info) #转换成soup对象
all_author = soup.find_all('div',class_="louzhubiaoshi j_louzhubiaoshi") #提取有关与作者的那行代码
for author in all_author:
return author['author'] #提取作者的名字
def get_tiezi(info):
"""
提取帖子的标题和链接
"""
soup = BeautifulSoup(info) #转换成soup对象
all_title = soup.find_all('a',class_="j_th_tit")
#all_author = soup.find_all('span',class_="tb_icon_author ")
#class_="..."中的class带下划线是因为class是python的一个关键字,他还是表示class="..."
print len(all_title) #打印获取的链接个数
#print len(all_author)
f = file("data.txt","w+") #创建并打开文件,文件路径和这个Python执行文件的路径一样
for title in all_title:
#print title['title']
url_tiezi = urlparse.urljoin("http://tieba.baidu.com",title['href']) #合并为全路径
#print type(url_tiezi)
info1 = get_content(url_tiezi) #进入帖子里面
author = get_author(info1) #找到作者
if author == None: #处理识别不了的作者
author = "I don't know the author!"
print author
li = [str(title['title']+"\n"),url_tiezi+"\n",str(author+"\n\n")] #转换为字符串
f.writelines(li) #储存到文件中
f.close() #关闭文件
return 0
info = get_content('http://tieba.baidu.com/f?kw=%B3%A4%BD%AD%B4%F3%D1%A7&fr=home') #贴吧地址
print get_tiezi(info)