python爬虫实际应用_如何使用python爬虫论坛？

除了之前跟大家讲述过的视频、音乐以及时事新闻，关于爬虫可以做的事情有很多很多，像论坛也是其中之一，应用最火的内容，之前给大家罗列的爬虫实际内容有很多，但是还是希望将每个实际内容都跟大家说一下。让大家在遇到这些问题时候，可以有个参考，因此，根据大家罗列的清单，给大家继续安排python怎么爬取论坛，一起来看下吧~

库：requests,re,selenium,time

具体步骤：

一、搜索贴吧

准备一个自己想要爬取的内容

二、显示贴吧首页的帖子

要提取发帖人的名字和帖子主题，选择用正则表达式来实现，具体代码如下：titles = re.findall('

authors = re.findall('title="主题作者: (.*?)"', res.text)

三、查看某一个帖子

通过观察网页源码，可以用正则表达式匹配到这部分回复，然后对于这些回复，也要进行处理后再显示出来。comment_list2 = re.findall('post_bubble_middle_inner">(.*?)

comment = comment_list2[num].replace('
', ' ').replace('

', ' ')

具体源码如下：import requests

import time

import re

from selenium import webdriver

headers = {

"user-agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/"

"53.0.2785.89 Safari/537.36"

}

class TieBa:

def __init__(self, name, url):

self.name = name # 贴吧名

self.url = url # 贴吧首页的url

# 显示首页上的帖子作者和标题

def get_homepage(self):

print("\n\t\t\t\t\t\t{}吧".format(self.name))

res = requests.get(self.url, headers=headers)

titles = re.findall('

authors = re.findall('title="主题作者: (.*?)"', res.text)

for title, author in zip(titles, authors):

print(str(titles.index(title) + 1) + "--" + author + "：" + title[1])

print("\n****************************")

n = int(input("请输入您想要查看的帖子序号："))

print("****************************\n")

self.get_page("http://tieba.baidu.com/p/" + titles[n - 1][0])

# 显示帖子的具体内容

def get_page(self, page_url):

res = requests.get(page_url, headers=headers)

author_list = re.findall('p_author_name j_user_card.*?>(.*?)<', res.text)

comment_list = re.findall('content clearfix">(.*?)

', res.text, re.DOTALL)

if len(comment_list) == 0:

comment_list = re.findall('d_post_content j_d_post_content ">(.*?)', res.text, re.DOTALL)

# 带回复框的单独考虑

comment_list2 = re.findall('post_bubble_middle_inner">(.*?)

num = 0

# 处理图片和表情，显示对应的链接

for author, comment in zip(author_list, comment_list):

print(author.strip(), end=" : ")

comment = comment.strip().replace('
', ' ')

if "

comment = comment_list2[num].replace('
', ' ').replace('

', ' ')

num += 1

if "src" in comment: # 处理图片信息

src_list = re.findall('src="(.*?)"', comment)

pattern_list = re.findall('()', comment)

for s, p in zip(src_list, pattern_list):

comment = comment.replace(p, ' ' + s)

if "href" in comment: # 处理表情信息

pattern_list = re.findall('()', comment)

for p in pattern_list:

comment = comment.replace(p, ' ').replace("", '')

print(comment)

while True:

x = int(input("\n输入1查看下一页，输入0回到首页，输入-1退出程序："))

if x == -1:

exit()

if x == 0:

self.get_homepage()

if x == 1:

next_page = re.findall('下一页', res.text)

if len(next_page)>0:

self.get_page("http://tieba.baidu.com" + next_page[0])

else:

print("已经是最后一页了!")

# 利用selenium模拟浏览器查找贴吧

def search():

chrome_options = webdriver.ChromeOptions()

chrome_options.add_argument('--headless')

browser = webdriver.Chrome(chrome_options=chrome_options)

browser.get("https://tieba.baidu.com/")

name = input("请输入想要进入的贴吧名字：")

browser.find_element_by_xpath('//*[@id="wd1"]').send_keys(name)

browser.find_element_by_xpath('//*[@id="tb_header_search_form"]/span[1]/a').click()

url = browser.current_url

if "tieba.baidu.com/f?ie=utf-8" in url: # 搜索的贴吧存在

print("正在进入{}吧，请稍等...".format(name))

time.sleep(2)

t = TieBa(name, url)

t.get_homepage()

else:

print("没有找到{}吧\n".format(name))

main()

def main():

x = int(input("输入1搜索进入贴吧，输入-1退出程序："))

if x == 1:

search()

else:

exit()

if __name__ == '__main__':

main()

好了，以上就是爬取论坛的内容了，如果大家遇到这种问题，可以来看下小编的这篇内容，很容易解决的哦~