标签：tieba baidu re item html kw data findall append

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2020/8/28 10:05
# @Author : aqiong
# @Site : 
# @File : 贴吧爬虫.py
# @Software: PyCharm
#https://tieba.baidu.com/f?kw=友谊已走到尽头
#后缀：
#1.请求网页，获取数据，2，解析数据 3.存储数据
import re
import xlwt#存储数据
from bs4 import BeautifulSoup#分析网页
import urllib.request,urllib.error#请求网页


#标题
findTitle = re.compile(r'<a class="j_th_tit".*?title=".*?".*?>(.*?)</a>',re.S)
#主题作者
findauthor = re.compile(r'<span class="tb_icon_author" data-field=.*?title="(.*?)"><i class=.*?</span>')
#发布时间
findTime = re.compile(r'<div class="threadlist_abs threadlist_abs_onlyline">(.*?)</span>')
#发布内容
findContent = re.compile(r'<div class="threadlist_abs threadlist_abs_onlyline">(.*?)</div>',re.S)
#最后回复人
findLastReader = re.compile(r'<span class="tb_icon_author_rely j_replyer" title="(.*?)">')
#最后回复时间
findLastTime=re.compile(r'<span class="threadlist_reply_date pull_right j_reply_data" title="最后回复时间">(.*?)</span>',re.S)
#镇楼图
#findImgSrc = re.compile(r' <ul class="threadlist_media j_threadlist_media clearfix">*?src="(.*?).*?</ul>',re.S)
findImgSrc = re.compile(r'<img attr=.*?bpic="(.*?)".*?class="threadlist_pic j_m_pic".*?src=""/>',re.S)
#回复数
findReadNum = re.compile(r'<span class="threadlist_rep_num center_text" title="回复">(\d*?)</span>')
def main():
    #1.请求网页，获取数据
    baseUrl = 'https://tieba.baidu.com/f?kw=%E5%8F%8B%E8%B0%8A%E5%B7%B2%E8%B5%B0%E5%88%B0%E5%B0%BD%E5%A4%B4'
    #获取n条数据
    n= 200
    datalist = getdata(baseUrl,n)
    name = '贴吧帖子.xls'
    saveData(datalist,name)


def getdata(baseUrl,n):
    datalist = []
    for index in range(0,n,50):
       #获取每页的数据
        html = askURL(baseUrl+'&ie=utf-8&pn='+str(index))
        #html=html.replace('div class="t_con cleafix"','div class="t_concleafix"').replace('<!--','').replace('-->','')
        html = html.replace('<!--', '').replace('-->', '')

        soup = BeautifulSoup(html,'html.parser')


        #解析数据
       # for item in soup.find_all('div',class_='t_concleafix'):
        for item in soup.find_all('div',class_='t_con cleafix'):
            data = []
            item = str(item)

            #print(re.findall(findReadNum,item))
            #print(re.findall(findImgSrc, item))
            data.append(re.findall(findTitle,item)[0])
            if re.findall(findauthor,item) :
                data.append(re.findall(findauthor, item)[0])
            else :
                data.append(' ')

            if re.findall(findTime,item):
               data.append(re.findall(findTime,item))
            else:
                data.append('')
            data.append(re.findall(findContent,item)[0])
            data.append(re.findall(findLastReader,item)[0])
            data.append(re.findall(findLastTime,item)[0])
            data.append(re.findall(findReadNum, item))##这里不理解为什么当下面的图片链接都取出来，取回复数就会报错，或者取到的很多数据为空，但如果只取一个图片，则不报错，且数据显示正常，初步猜测和存取到excel有关系
            imglist = re.findall(findImgSrc,item)
            #print(re.findall(findReadNum, item))
            if imglist:
                data.append(imglist[0])
                for item in range(0,len(imglist)):
                    #print(imglist)
                    data.append(imglist[item]+'\n')
            else:
                data.append(' ')
            #data.append(re.findall(findReadNum, item))
            #print(re.findall(findReadNum,str(item)))
            datalist.append(data)
    return datalist


def askURL(baseUrl):
    html = ''
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.135 Safari/537.36","Accept-Language": "zh-CN,zh;q=0.9"}
    request=urllib.request.Request(url=baseUrl,headers=headers)
    try:

       html = urllib.request.urlopen(request).read().decode('utf-8')


    except urllib.error.URLError as e:
        print(e)
    return html

def saveData(datalist,name):
    workbook = xlwt.Workbook(encoding='utf-8',style_compression=0)
    worksheet = workbook.add_sheet('帖子内容',cell_overwrite_ok=True)
    col = ('标题','主题作者','发布时间','发布内容','最后回复人','最后回复时间','回复数','镇楼图')
    for i in range(0,len(col)):
        worksheet.write(0,i,col[i])
    for item in  range(0,len(datalist)):
        data = datalist[item]
        for index in range(0,len(data)):
            worksheet.write(item+1,index,data[index])
    workbook.save(name)





if __name__ == '__main__':
    main()

标签：tieba,baidu,re,item,html,kw,data,findall,append
来源： https://www.cnblogs.com/aqiong/p/13631494.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。