爬虫入门————一个简单的吃瓜爬虫

小白第一次写爬虫，主要使用了requests，beautifulsoup 和 XPATH库。实现了爬取八卦组首页帖子并将标题，链接和3个亮评存入csv文件中以待以后可能的使用（或者就此荒废.........）

话不多说先放代码

import requests
import bs4
from bs4 import BeautifulSoup
import os

url = 'https://www.douban.com/group/blabla/?ref=sidebar%E3%80%91'
r = requests.get(url)
soup = BeautifulSoup(r.text, 'html.parser')
titlelist, linklist, timelist = [],[],[]
all_title = soup.find_all('td', class_='title')
for link in all_title:
    linklist.append(link.a.attrs['href'])
    titlelist.append(link.a.attrs['title'])
time_ = soup.find_all('td', class_='time')

for tim in time_:
#     timelist.append(re.findall(r'>.*</td>',tim.string))#笨比，你都string了，当然没有之后的标签</td>了，你还正则个p
    timelist.append(tim.string)
# print(timelist)
# type(time_)
path1 = r'C:\Users\Administrator\Desktop\豆瓣鹅组每日讨论'
current_time = timelist[4]
current_time = current_time.replace(':','_')
print(current_time)
join_path = ''
join_path =  os.path.join(path1, (str(current_time) + '.txt'))
# info =['标题']
print(join_path)

with open(join_path,'w',encoding='utf-8')as f:
    for i in range(len(titlelist)):
        f.writelines(titlelist[i]+'\n'+linklist[i]+'\n')
# C:\Users\Administrator\Desktop\豆瓣鹅组每日讨论\03-06 20.txt
# for index, (title, link) in enumerate(zip(titlelist, linklist),1):
#     if index>4:
#         print('[', index-4, ']')
#         print('title: ',title)
#         print('link: ', link)
#         print('时间：', timelist[index-1])

这一块代码主要是用的beautifulsoup库来爬取页面内容，将内容保存在了txt文件中，这是一开始写的，因为能在jupyter notebook里将就用，也就懒得优化成一个个函数了。最后的print被我注释了因为内容已经被保存在列表里在后续会写入文件。大概效果是这样的：

爬虫入门————一个简单的吃瓜爬虫

上面的代码块并没有爬取各个帖子中的亮评，主要原因是因为beautifulsoup库用的不熟练，定位标签定位半天还老出错，今天下午看了看xpath感觉xpath简单很多，就使用xpath对评论进行了爬取。

from lxml import etree
import csv

def get_short_comment(link, commentlist):
    r = requests.get(link).text
    s = etree.HTML(r)
    comment = s.xpath('//*[@class="topic-reply popular-bd"]/li[@class="clearfix comment-item"]/div[\
                      @class="reply-doc content"]/p/text()')  # comment是爬出来的评论list
    commentlist.append(comment)
    for i in range(3):
        try:        
            print('亮屏第',i,': ',comment[i])
        except:
            print('这是个新帖子')
    print('-------------------------------')

运行函数后评论都被保存在了commentlist中，不过因为亮评是按每个帖子一个list来的，然后再按序保存到commentlist中，相当于该list是个二维数组（不太好表达，大致就是这个意思）

想写入csv文件的话将list改为一维的比较方便，具体整合list和存储代码如下：

def save_csv(infolist):  # 将info写入csv  理想结果是第一列是编号，第二列是标题，第三列是链接，456各存亮评
    join_path = ''
    join_path =  os.path.join(path1, (str(current_time) + '.csv'))
    name =['标题','连接','亮评1','亮评2','亮评3']
    test = pd.DataFrame(columns=name, data =infolist)
    test.to_csv(join_path,encoding='utf_8_sig') 
                    
def agg_info(titlelist, linklist, commentlist): # 将三个list合并为一个总list，好输入到csv文件中
    infolist =[]
    i = 0
    for i in range(len(titlelist)):  # int类型不能直接迭代
        try:
            _ = []
            _.append(titlelist[i])
            _.append(linklist[i])
            _.append(commentlist[i][0])
            _.append(commentlist[i][1])
            _.append(commentlist[i][2])
        except:
            continue
        infolist.append(_)
            
    return infolist

最后运行一下就好啦！

i = 0
commentlist = []
for link in linklist:
    print('标题： '+titlelist[i])
    print('链接： '+ link)
    get_short_comment(link, commentlist)
    i+=1
infolist = agg_info(titlelist, linklist, commentlist)
save_csv(infolist)

具体结果是这样的：爬虫入门————一个简单的吃瓜爬虫

并可以保存到文件夹中：爬虫入门————一个简单的吃瓜爬虫

爬虫入门————一个简单的吃瓜爬虫

到这里就完成了，代码写的不够简洁但是最近又要看论文（懒）

之后提升的话在github上找到了些spider练手项目，回头多学习一下

爬虫入门————一个简单的吃瓜爬虫

相关推荐