123
Posted romanticlife
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了123相关的知识,希望对你有一定的参考价值。
coding=utf-8
import requests
from lxml import etree
import json
class TiebaSpider:
def init(self,tieba_name):
self.tieba_name = tieba_name
self.start_url = "http://tieba.baidu.com/mo/q----,[email protected]_240-1-3---2/m?kw={}&lp=5009".format(tieba_name)
self.headers= {"User-Agent":"Mozilla/5.0 (iPhone; CPU iPhone OS 10_3 like Mac OS X) AppleWebKit/602.1.50 (Khtml, like Gecko) Crios/56.0.2924.75 Mobile/14E5239e Safari/602.1"}
self.part_url = "http://tieba.baidu.com/mo/q----,[email protected]_240-1-3---2/"
def parse_url(self,url):
print(url)
response = requests.get(url,headers=self.headers)
return response.content
def get_content_list(self,html_str): #提取列表页的帖子的url,title
html = etree.HTML(html_str)
div_list = html.xpath("//div[contains(@class,‘i‘)]")
content_list = []
for div in div_list:
content = {}
content["title"] = div.xpath("./a/text()")[0] if len(div.xpath("./a/text()"))>0 else None
content["href"] = self.part_url + div.xpath("./a/@href")[0] if len( div.xpath("./a/@href"))>0 else None
content["img_list"] = self.get_img_list(content["href"],[]) #通过函数获取图片
content["img_list"] = [requests.utils.unquote(i.split("src=")[-1]) for i in content["img_list"]]
content_list.append(content)
next_url = html.xpath("//a[text()=‘下一页‘]/@href") #获取下一页的url
return content_list,next_url
def get_img_list(self,detail_url,img_list): #获取详情页的图片列表
#3.1 请求帖子详情页
detail_html_str = self.parse_url(detail_url)
#3.2 提取第一页的图片
detail_html = etree.HTML(detail_html_str)
img_list.extend(detail_html.xpath("//img[@class=‘BDE_Image‘]/@src"))
#3.3 获取详情页的下一页的,url
next_url = detail_html.xpath("//a[text()=‘下一页‘]/@href")
#3.4 循环3.1-3.3
if len(next_url)>0:
return self.get_img_list(self.part_url+next_url[0],img_list)
return img_list
def save_content_list(self,content_list): #保存
file_path = "{}_".format(self.tieba_name)
with open(file_path,"a") as f:
for content in content_list:
f.write(json.dumps(content,ensure_ascii=False,indent=2))
f.write("
")
print("保存成功")
def run(self): #实现主要逻辑
next_url = [self.start_url]
while len(next_url)>0:
#1. start_url
#2. 发送请求,获取响应
next_url = next_url[0] if next_url[0].startswith("http") else self.part_url + next_url[0]
html_str = self.parse_url(next_url)
#3.提取列表页的帖子的url,title
content_list,next_url = self.get_content_list(html_str)
#3.1 请求帖子详情页
#3.2 提取第一页的图片
#3.3 获取详情页的下一页的,url
#3.4 循环3.1-3.3
#4. 保存数据
self.save_content_list(content_list)
#5. 提取列表页的下一页url,循环2-5
if name == ‘main‘:
tieba_spider = TiebaSpider("123")
tieba_spider.run()
以上是关于123的主要内容,如果未能解决你的问题,请参考以下文章
[Go] 通过 17 个简短代码片段,切底弄懂 channel 基础
如何在 Javadoc 中使用 @ 和 符号格式化代码片段?
Wordpress阻止访问wp admin€“wpsnipp.com网站你博客的Wordpress代码片段
Android 逆向Linux 文件权限 ( Linux 权限简介 | 系统权限 | 用户权限 | 匿名用户权限 | 读 | 写 | 执行 | 更改组 | 更改用户 | 粘滞 )(代码片段