爬取天涯论坛数据，看看各人都在讨论什么（bbs.tianya.cn）天涯论坛搜贴网站，
发布时间：2023-09-12 08:17:07
前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处置惩罚。
在我们浏览网页,浏览器会渲染输出HTML、JS、CSS等信息；通过这些元素，我们就可以看到我们想要检察的新闻,图片,电影,评论,商品等等。一般情况下我们看到自己需要的内容，图片可能会复制文字而且下载图片生存，但是如果面对大量的文字和图片，我们人工是处置惩罚不外来的，同时好比类似百度需要每天定时获取大量网站最新文章而且收录，这些大量数据与每天的定时的工作我们是无法通过人工去处置惩罚的，这时候爬虫的作用就体现出来了。
内容介绍：
话不多说，直接开始，开始我们的论坛爬虫旅程。
1、模块导入
# encoding:utf8
import requestsfrom bs4 import BeautifulSoup
导入requests网络数据请求模块，用于网络爬虫。导入BeautifulSoup尾页解析模块，用于网页数据处置惩罚。
2、获取url资源
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
print(list)
except:
print("获取网页失败")
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。
3、获取子帖列表
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
print(list)
except:
print("获取网页失败")
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。这个方法得到了该链接下所有子帖的网络链接，为接下来的数据爬取做准备。子帖列表如下：
4、解析页面
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
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。
5、传入参数
def main():
main_url = http://bbs.tianya.cn
develop_url = http://bbs.tianya.cn/list-1109-1.shtml
#develop_url = http://bbs.tianya.cn/list-develop-1.shtml
ulist = []
fpath = rE:\tianya.txt
getHtmlList(ulist, develop_url, main_url)
getHtmlInfo(ulist, fpath)
main() # 运行main函数
输入爬取的网页名称以及数据生存路径，本文未对爬取的数据进行进一步解析。爬取结果如下，包罗主帖的内容已经跟贴的内容。
欢迎关注小编，除了分享技术文章之外还有很多福利，私信学习资料可以领取包罗不限于Python实战演练、PDF电子文档、面试集锦、学习资料等。
信息发布联系客服
品牌世界网 — 品牌代理，招商加盟网站！
品牌世界网友情提示：针对品牌代理加盟，微商，个人，公司等经营者在代理加盟项目过程中多打电话、多咨询、实地考察，可降低投资风险
©2019-2050 pinpaiworld.cn All Rights Reserved 广告投放联系QQ：215858170
品牌世界网友情提示：针对品牌代理加盟，微商，个人，公司等经营者在代理加盟项目过程中多打电话、多咨询、实地考察，可降低投资风险
©2019-2050 pinpaiworld.cn All Rights Reserved 广告投放联系QQ：215858170
