Python爬虫_百度贴吧（title、url、image_url）

本爬虫以百度贴吧为例，爬取某个贴吧的【所有发言】以及对应发言详情中的【图片链接】

涉及：

1. request 发送请求获取响应
2. html 取消注释
3. 通过xpath提取数据
4. 数据保存

思路：

• 由于各贴吧发言的数量不一，因此通过观察url规律统一构造url列表进行遍历爬取，不具有可推广性，因此通过先找到【下一页】url，看某一页是否存在下一页url决定爬虫的停止与否
• 对初始url 进行while True，直到没有下一页url为止
  • 发送请求获取响应
  • 提取数据（标题列表、url列表、下一页url）
    • 遍历url列表
      • 对初始url 进行while True，直到没有下一页url为止
        • 发送请求获取响应
        • 提取数据（image_url_list、下一页url
      • 保存数据

代码：

 1 import requests
 2 from lxml import etree
 3 import json
 4
 5
 6 class TieBaSpider:
 7     def __init__(self):
 8         self.proxies = {"http": "http://122.243.12.135:9000"}  # 免费ip代理
 9         self.start_url = "https://tieba.baidu.com/f?kw={}&ie=utf-8&pn=0"
10         self.headers = {
11             "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.k36 (KHTML, like Gecko) "
12                           "Chrome/86.0.4240.11"}
13
14     # 发送请求获取响应
15     def parse_url(self, url):
16         res = requests.get(url, headers=self.headers, proxies=self.proxies)
17         html_str = res.content.decode().replace(r"<!--", "''").replace(r"-->", "''")  # 去除网页注释
18
19         return html_str
20
21     # 提取外层url内容列表
22     @staticmethod
23     def get_outer_content(html_str):
24         html = etree.HTML(html_str)
25         title_list = html.xpath("//a[@class='j_th_tit ']/text()")
26         url_list = html.xpath("//a[@class='j_th_tit ']/@href")
27         if len(html.xpath("//a[text()='下一页']/@href")) > 0:
28             next_url_outer = html.xpath("//a[text()='下一页'/@href")[0]
29         else:
30             next_url_outer = None
31
32         return title_list, url_list, next_url_outer
33
34     # 提取内层url内容列表
35     @staticmethod
36     def get_inner_content(html_str):
37         html = etree.HTML(html_str)
38         image_list = html.xpath("//img[@class='BDE_Image']/@src")
39
40         if len(html.xpath("//a[text()='下一页']/@href")) > 0:
41             next_url_inner = 'https://tieba.baidu.com' + html.xpath("//a[text()='下一页']/@href")[0]
42         else:
43             next_url_inner = None
44
45         return image_list, next_url_inner
46
47     # 保存数据
48     @staticmethod
49     def save(comment):
50         with open("tb.txt", "a", encoding="utf8") as f:
51             f.write(json.dumps(comment, ensure_ascii=False, indent=2)+"\n")
52
53     # 主函数
54     def run(self):
55         # 初始化保存数据的字典
56         comment = {}
57         # 构造 url
58         url = self.start_url.format("费德勒")
59         # 初始化外层循环条件
60         next_url_outer = url
61         while next_url_outer is not None:  # 循环外层的每一页
62             html_str = self.parse_url(next_url_outer)  # 发送请求，获取响应
63             title_list, url_list, next_url_outer = self.get_outer_content(html_str)  # 提取数据（标题，下一页url）
64             i = 0
65             for url_inner in url_list:  # 循环外层的某一页
66                 image_list_all = []  # 初始化存放img_url的列表
67                 url_inner = 'https://tieba.baidu.com' + url_inner  # 构建url
68                 image_list, next_url_inner = self.get_inner_content(self.parse_url(url_inner))  # 获取数据
69                 image_list_all.extend(image_list)
70
71                 while next_url_inner is not None:  # 循环某一页上的某一个url
72                     html_str = self.parse_url(next_url_inner)
73                     image_list, next_url_inner = self.get_inner_content(html_str)
74                     image_list_all.extend(image_list)
75
76                 comment["title"] = title_list[i]
77                 comment["url"] = url_inner
78                 comment["img_url"] = image_list_all
79
80                 self.save(comment)
81                 i += 1
82                 print("ok")
83
84
85 if __name__ == "__main__":
86     tb = TieBaSpider()
87     tb.run()