python爬贴吧回复_Python爬虫实践，获取百度贴吧内容

经过前期大量的学习与准备，我们重要要开始写第一个真正意义上的爬虫了。本次我们要爬取的网站是：百度贴吧，一个非常适合新人练手的地方，那么让我们开始吧。

本次要爬的贴吧是<< 西部世界 >>，西部世界是我一直很喜欢的一部美剧，平时有空也会去看看吧友们都在聊些什么。所以这次选取这个吧来作为实验材料。注意：很多人学Python过程中会遇到各种烦恼问题，没有人解答容易放弃。为此小编建了个Python全栈免费解答.裙 ：一久武其而而流一思（数字的谐音）转换下可以找到了，不懂的问题有老司机解决里面还有免非最新Python教程下载,，一起相互监督共同进步！

Python版本 : 3.6浏览器版本： Chrome

目标分析：

由于是第一个实验性质爬虫，我们要做的不多，我们需要做的就是：

1、从网上爬下特定页码的网页2、对于爬下的页面内容进行简单的筛选分析3、找到每一篇帖子的 标题、发帖人、日期、楼层、以及跳转链接4、将结果保存到文本。

前期准备：看到贴吧的url地址是不是觉得很乱？有那一大串认不得的字符？

其实这些都是中文字符，%E8%A5%BF%E9%83%A8%E4%B8%96%E7%95%8C

在编码之后就是： 西部世界。

链接的末尾处：&ie=utf-8 表示该连接采用的是utf-8编码。

windows的默认编码是GBK，在处理这个连接的时候，需要我们在Python里手动设置一下，才能够成功使用。

Python3相对于Python2对于编码的支持有了很大的提升，默认全局采用utf-8编码，所以建议还在学Python2的小伙伴赶紧投入Python3的怀抱，真的省了老大的功夫了。

接着我们翻到贴吧的第二页：

url:

`url: https://tieba.baidu.com/f?kw=%E8%A5%BF%E9%83%A8%E4%B8%96%E7%95%8C&ie=utf-8&pn=50`

注意到没有，连接的末尾处多了一个参数&pn=50,这里我们很容易就能猜到，这个参数的与页码的联系：

&pn=0 ： 首页

&pn=50： 第二页

&pn=100：第三页

&pn=50*n 第n页

50 表示 每一页都有50篇帖子。

这下我们就能通过简单的url修改，达到翻页的效果了。

chrome开发人员工具的使用：

要写爬虫，我们一定要会使用开发工具，说起来这个工具是给前段开发人员用的，但是我们可以通过它快速定位我们要爬取的信息，并找到相对应的规律。

按cmmand+option+I 打开chrome工具，（win可以看按F12或者手动在chrome工具栏里打开）

image

使用模拟点击工具快速定位到一个单独帖子的位置。(左上角的鼠标箭头图标)

image

我们仔细的观察一下，发现每个帖子的内容都包裹在一个li标签内：

这样我们只要快速找出所有的符合规则的标签，

在进一步分析里面的内容，最后筛选出数据就可以了。

开始写代码吧？

我们先写出抓取页面内人的函数：

这是前面介绍过的爬取框架，以后我们会经常用到。

import requests

from bs4 import BeautifulSoup

# 首先我们写好抓取网页的函数

def get_html(url):

try:

r = requests.get(url,timeout=30)

r.raise_for_status()

#这里我们知道百度贴吧的编码是utf-8，所以手动设置的。爬去其他的页面时建议使用：

# r.endcodding = r.apparent_endconding

r.encoding='utf-8'

return r.text

except:

return " ERROR "

接着我们摘取其中的详细信息：

我们来分一下每一个li标签内部的结构：

一个大的li标签内包裹着很多个 div标签

而我们要的信息就在这一个个div标签之内：

# 标题&帖子链接

【高淸】西部世界1-2季，中英字，未❗️删❕减.🌸任性给

#发帖人：

#回复数量：

822

#发帖日期：

7-20

分析完之后，我们就能很容易的通过soup.find()方法得到我们想要的结果

具体代码的实现：

'''

抓取百度贴吧---西部世界吧的基本内容

爬虫线路： requests - bs4

Python版本： 3.6

OS： mac os 12.13.6

'''

import requests

import time

from bs4 import BeautifulSoup

# 首先我们写好抓取网页的函数

def get_html(url):

try:

r = requests.get(url, timeout=30)

r.raise_for_status()

# 这里我们知道百度贴吧的编码是utf-8，所以手动设置的。爬去其他的页面时建议使用：

# r.endcodding = r.apparent_endconding

r.encoding = 'utf-8'

return r.text

except:

return " ERROR "

def get_content(url):

'''

分析贴吧的网页文件，整理信息，保存在列表变量中

'''

# 初始化一个列表来保存所有的帖子信息：

comments = []

# 首先，我们把需要爬取信息的网页下载到本地

html = get_html(url)

# 我们来做一锅汤

soup = BeautifulSoup(html, 'lxml')

# 按照之前的分析，我们找到所有具有‘ j_thread_list clearfix’属性的li标签。返回一个列表类型。

liTags = soup.find_all('li', attrs={'class': ' j_thread_list clearfix'})

# 通过循环找到每个帖子里的我们需要的信息：

for li in liTags:

# 初始化一个字典来存储文章信息

comment = {}

# 这里使用一个try except 防止爬虫找不到信息从而停止运行

try:

# 开始筛选信息，并保存到字典中

comment['title'] = li.find(

'a', attrs={'class': 'j_th_tit '}).text.strip()

comment['link'] = "http://tieba.baidu.com/" + \

li.find('a', attrs={'class': 'j_th_tit '})['href']

comment['name'] = li.find(

'span', attrs={'class': 'tb_icon_author '}).text.strip()

comment['time'] = li.find(

'span', attrs={'class': 'pull-right is_show_create_time'}).text.strip()

comment['replyNum'] = li.find(

'span', attrs={'class': 'threadlist_rep_num center_text'}).text.strip()

comments.append(comment)

except:

print('出了点小问题')

return comments

def Out2File(dict):

'''

将爬取到的文件写入到本地

保存到当前目录的 TTBT.txt文件中。

'''

with open('TTBT.txt', 'a+') as f:

for comment in dict:

f.write('标题： {} \t 链接：{} \t 发帖人：{} \t 发帖时间：{} \t 回复数量： {} \n'.format(

comment['title'], comment['link'], comment['name'], comment['time'], comment['replyNum']))

print('当前页面爬取完成')

def main(base_url, deep):

url_list =