BeautifulSoup抓取百度贴吧

Posted 2020-09-27

BeautifulSoup是python一种原生的解析文件的模块，区别于scrapy，scrapy是一种封装好的框架，只需要按结构进行填空，而BeautifulSoup就需要自己造轮子，相对scrapy麻烦一点但也更加灵活一些

以爬取百度贴吧内容示例说明。

# -*- coding:utf-8 -*-
__author__=‘fengzhankui‘
import urllib2
from bs4 import  BeautifulSoup
class Item(object):
    title=None
    firstAuthor=None
    firstTime=None
    reNum=None
    content=None
    lastAuthor=None
    lastTime=None
class GetTiebaInfo(object):
    def __init__(self,url):
        self.url=url
        self.pageSum=5
        self.urls=self.getUrls(self.pageSum)
        self.items=self.spider(self.urls)
        self.pipelines(self.items)
    def getUrls(self,pageSum):
        urls=[]
        pns=[str(i*50) for i in range(pageSum)]
        ul=self.url.split(‘=‘)
        for pn in pns:
            ul[-1]=pn
            url=‘=‘.join(ul)
            urls.append(url)
        return urls
    def spider(self,urls):
        items=[]
        for url in urls:
            htmlContent=self.getResponseContent(url)
            soup=BeautifulSoup(htmlContent,‘lxml‘)
            tagsli = soup.find_all(‘li‘,class_=[‘j_thread_list‘,‘clearfix‘])[2:]
            for tag in tagsli:
                if tag.find(‘div‘,attrs={‘class‘: ‘threadlist_abs threadlist_abs_onlyline ‘})==None:
                    continue
                item=Item()
                item.title=tag.find(‘a‘,attrs={‘class‘:‘j_th_tit‘}).get_text().strip()
                item.firstAuthor=tag.find(‘span‘,attrs={‘class‘:‘frs-author-name-wrap‘}).a.get_text().strip()
                item.firstTime = tag.find(‘span‘, attrs={‘title‘: u‘创建时间‘.encode(‘utf8‘)}).get_text().strip()
                item.reNum = tag.find(‘span‘, attrs={‘title‘: u‘回复‘.encode(‘utf8‘)}).get_text().strip()
                item.content = tag.find(‘div‘,attrs={‘class‘: ‘threadlist_abs threadlist_abs_onlyline ‘}).get_text().strip()
                item.lastAuthor = tag.find(‘span‘,attrs={‘class‘: ‘tb_icon_author_rely j_replyer‘}).a.get_text().strip()
                item.lastTime = tag.find(‘span‘, attrs={‘title‘: u‘最后回复时间‘.encode(‘utf8‘)}).get_text().strip()
                items.append(item)
        return items
    def pipelines(self,items):
        with open(‘tieba.txt‘,‘a‘) as fp:
            for item in items:
                fp.write(‘title:‘+item.title.encode(‘utf8‘)+‘\t‘)
                fp.write(‘firstAuthor:‘+item.firstAuthor.encode(‘utf8‘) + ‘\t‘)
                fp.write(‘reNum:‘+item.reNum.encode(‘utf8‘) + ‘\t‘)
                fp.write(‘content:‘ + item.content.encode(‘utf8‘) + ‘\t‘)
                fp.write(‘lastAuthor:‘ + item.lastAuthor.encode(‘utf8‘) + ‘\t‘)
                fp.write(‘lastTime:‘ + item.lastTime.encode(‘utf8‘) + ‘\t‘)
                fp.write(‘\n‘)
    def getResponseContent(self,url):
        try:
            response=urllib2.urlopen(url.encode(‘utf8‘))
        except:
            print ‘fail‘
        else:
            return response.read()
if __name__==‘__main__‘:
    url=u‘http://tieba.baidu.com/f?kw=战狼2&ie=utf-8&pn=50‘
    GetTiebaInfo(url)

代码说明：

这个例子是按照scrapy那样的结构，定义一个item类，然后抽取url中的html，再然后交给第三个方法进行处理，由于贴吧都有置顶的条目，因为匹配class类名默认都是按in处理的，不能and处理，所以不能精确匹配类名，在tag循环过滤的时候才会有过滤置顶内容的条件筛选