【Python爬虫案例学习】Python爬取天涯论坛评论

用到的包有requests - BeautSoup

我爬的是天涯论坛的财经论坛：‘http://bbs.tianya.cn/list.jsp?item=develop’

它里面的其中的一个帖子的URL：‘http://bbs.tianya.cn/post-develop-2279340-1.shtml’

第一步：定义了三个函数跟一个main函数

def getHtmlText(url):
    pass
def getHtmlList(list,url,main_url):
　　 pass
def getHtmlInfo(list,fpath):
    pass
def main():
    pass

第一个函数是获取一个url，通过requests.get()方法，获取页面的信息，这是一个获取url资源的模块

第二个函数是获取一个url，调用第一个函数解析财经论坛页面，获取到其中的子帖子的url，存放在list中

第三个函数是把list中的url通过for循环一个一个解析页面，获取其中我们想要的内容，然后把得到的内容存放在指定的电脑的位置里

main函数里就是调用这几个函数

第二步：代码的具体实现

# encoding:utf8
import requestsfrom bs4 import BeautifulSoup
'''
遇到不懂的问题？Python学习交流群：821460695满足你的需求，资料都已经上传群文件，可以自行下载！
'''
#获取一个url，通过requests.get()方法，获取页面的信息，这是一个获取url资源的模块
def getHtmlText(url):
    try:
        r = requests.get(url)
        r.encoding = r.apparent_encoding
        html = r.text
        soup = BeautifulSoup(html,'html.parser')
        return soup
    except:
        print("解析网页出错")

#获取一个url，调用第一个函数解析财经论坛页面，获取到其中的子帖子的url，存放在list中
def getHtmlList(list,url,main_url):
    try:
        soup = getHtmlText(url)
        managesInfo = soup.find_all('td',attrs={'class':'td-title faceblue'})
        for m in range(len(managesInfo)):
            a = managesInfo[m].find_all('a')//获取帖子的位置
            for i in a:
                try:
                    href = i.attrs['href']
                    list.append(main_url+href)//把帖子的url存放在list中

                except:
                    continue
    except:
        print("获取网页失败")

#把list中的url通过for循环一个一个解析页面，获取其中我们想要的内容，然后把得到的内容存放在指定的电脑的位置里
def getHtmlInfo(list,fpath):
    for i in list:
        infoDict = {}//初始化存放帖子要获取的全部信息的字典
        authorInfo = []//初始化存放帖子评论的作者的信息的列表
        comment = []//初始化存放帖子评论的信息的列表
        try:
            soup = getHtmlText(i)
            if soup ==""://如果页面不存在则跳过，继续获取
                continue
            Info = soup.find('span',attrs={'style':'font-weight:400;'})
            title = Info.text//获取帖子的标题
            infoDict.update({'论坛话题:  ':title})//把帖子的标题内容存放到字典中
            author = soup.find_all('div',attrs={'class':'atl-info'})
            for m in author:
                authorInfo.append(m.text)//把帖子中的评论的作者的信息存放到列表里
            author = soup.find_all('div',attrs={'class':'bbs-content'})
            for m in author:
                comment.append(m.text)//把帖子的评论的信息存放在列表里
            for m in range(len(authorInfo)):
                key = authorInfo[m]+'\n'
                value = comment[m]+'\n'
                infoDict[key] = value//把评论的作者的信息跟评论的内容以键值对的形式存储起来
            #把获取到的信息存放在自己指定的位置
            with open(fpath,'a',encoding='utf-8')as f:
                for m in infoDict:
                    f.write(str(m)+'\n')
                    f.write(str(infoDict[m])+'\n')
        except:
            continue
def main():
    main_url = 'http://bbs.tianya.cn'
    develop_url = 'http://bbs.tianya.cn/list-develop-1.shtml'
    ulist = []

    fpath = r'E:\tianya.txt'
    getHtmlList(ulist,develop_url,main_url)
    getHtmlInfo(ulist,fpath)
main()//运行main函数

好了，这个代码就写完了，我来总结下我在写这个代码中遇到的问题。

总结：

这个代码很简单，但是其中的一些细节我一开始没有处理好

在写第三个函数的时候，把获取到的信息全部存放在字典中,在调试中发现获取到的信息有很多重复的，

后来发现是没有初始化每个列表里的信息。因为是循环存放信息的，读取完一个帖子的信息之后要把存放

信息的列表初始化，要不会重复输出之前存入的信息。