鱼C论坛

 找回密码
 立即注册
查看: 1190|回复: 11

[已解决]仿照爬豆瓣top250,爬先知社区标题,作者时间

[复制链接]
发表于 2020-8-4 18:20:14 | 显示全部楼层 |阅读模式

马上注册,结交更多好友,享用更多功能^_^

您需要 登录 才可以下载或查看,没有账号?立即注册

x
import requests
import bs4
import re

def open_url(url):

    headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36'}

    res = requests.get(url, headers=headers)
    return res

def find_title(res):
    soup = bs4.BeautifulSoup(res.text,'html.parser')

    #文章标题
    title = []
    targets = soup.find_all('p',class_='topic-summary')
    for each in targets:
        title.append(each.a.text)

    #资料(作者,类型,时间)
    messages = []
    targets = soup.find_all('p',class_='topic-info')
    for each in targets:
        try:
            messages.append(each.a.text.split('\n')[1].strip() + each.a.text.split('\n')[2].strip())
        except:
            continue

    result = []
    length = len(title)
    for i in range(length):
        result.append(title[i] + messages[i] + '\n')
    return result

    #找出一共多少页
def find_depth(res):
    soup = bs4.BeautifulSoup(res.text, 'html.parser')
    depth = soup.find('li', class_='disable').previous_sibling.previous_sibling.text

    return int(depth)

def main():
    res = "https://xz.aliyun.com/"
    res = open_url(res)
    depth = find_depth(res)

    result = []
    for i in range(depth):
        url = res + '/?page=' + str(2 * i)
        res = open_url(url)
        result.extend(find_title(res))

        with open("先知.txt",'w',encoding='utf-8') as file:
            for each in result:
                file.write(each)
if __name__ == "__main__":
    main()
最佳答案
2020-8-5 14:15:47
Thewhitecrow 发表于 2020-8-4 18:21
报错AttributeError: 'NoneType' object has no attribute 'previous_sibling',我感觉是一共多少页那里有 ...
import requests
import bs4
import re

def open_url(url):

    headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36'}

    res = requests.get(url, headers=headers)
    return res

def find_title(res):
    soup = bs4.BeautifulSoup(res.text,'html.parser')

    #文章标题
    title = []
    targets = soup.find_all('p',class_='topic-summary')
    for each in targets:
        title.append(each.a.text.strip('\n').strip(' '))

    #资料(作者,类型,时间)
    messages = []
    targets = soup.find_all('p',class_='topic-info')
    for each in targets:
            messages.append([each.a.text ,re.search(r"(\d{4}-\d{1,2}-\d{1,2})",each.text).group()])
    result = []
    length = len(title)
    for i in range(length):

        result.append([title[i],messages[i]])
    return result

    #找出一共多少页
def find_depth(res):
    soup = bs4.BeautifulSoup(res.text, 'html.parser')
    depth = soup.select('#Wrapper > div > div.span10 > div > div > div.pagination.clearfix > ul > li:nth-child(2) > a')
    depth = re.search('\d{3}',str(depth))
    return int(depth.group())

def main():
    res = "https://xz.aliyun.com/"
    res1 = open_url(res)
    depth = find_depth(res1)

    result = []
    for i in range(1,depth):
        url = res + '/?page=' + str(2 * i)
        print('正在爬取第',i,'页')
        res2 = open_url(url)
        
        result.extend(find_title(res2))

        with open("先知.txt",'w',encoding='utf-8') as file:
            for each in result:
                file.write(str(each))
                file.write('\n')
                file.write('=============================================')
                file.write('\n')
if __name__ == "__main__":
    main()

代码已改好
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复

使用道具 举报

发表于 2020-8-5 15:01:56 | 显示全部楼层
Thewhitecrow 发表于 2020-8-5 14:53
老哥为啥我去复制代码,发现爬虫结果没爬干净,是从7.23开始爬,之前的没有爬到

import requests
import bs4
import re

def open_url(url):

    headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36'}

    res = requests.get(url, headers=headers)
    return res

def find_title(res):
    soup = bs4.BeautifulSoup(res.text,'html.parser')

    #文章标题
    title = []
    targets = soup.find_all('p',class_='topic-summary')
    for each in targets:
        title.append(each.a.text.strip('\n').strip(' '))

    #资料(作者,类型,时间)
    messages = []
    targets = soup.find_all('p',class_='topic-info')
    for each in targets:
            messages.append([each.a.text ,re.search(r"(\d{4}-\d{1,2}-\d{1,2})",each.text).group()])
    result = []
    length = len(title)
    for i in range(length):

        result.append([title[i],messages[i]])
    return result

    #找出一共多少页
def find_depth(res):
    soup = bs4.BeautifulSoup(res.text, 'html.parser')
    depth = soup.select('#Wrapper > div > div.span10 > div > div > div.pagination.clearfix > ul > li:nth-child(2) > a')
    depth = re.search('\d{3}',str(depth))
    return int(depth.group())

def main():
    res = "https://xz.aliyun.com/"
    res1 = open_url(res)
    result = []
    result.extend(find_title(res1))
    depth = find_depth(res1)


    for i in range(1,depth):
        url = res + '/?page=' + str(2 * i)
        print('正在爬取第',i,'页')
        res2 = open_url(url)
        
        result.extend(find_title(res2))

        with open("先知.txt",'w',encoding='utf-8') as file:
            for each in result:
                file.write(str(each))
                file.write('\n')
                file.write('=============================================')
                file.write('\n')
if __name__ == "__main__":
      main()
ok之前没把第一页加进去
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 1 反对 0

使用道具 举报

 楼主| 发表于 2020-8-4 18:21:19 | 显示全部楼层
报错AttributeError: 'NoneType' object has no attribute 'previous_sibling',我感觉是一共多少页那里有点问题,希望前辈们指点下
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2020-8-5 10:41:40 | 显示全部楼层
本帖最后由 suchocolate 于 2020-8-5 10:44 编辑

从网页html看,class为disable的li没有前兄弟节点,所以报错说没有。

Annotation 2020-08-05 100836.png

bs不熟,用xpath写了一个简单的:
import requests
from lxml import etree
import re


def main():
    url = 'https://xz.aliyun.com/'
    headers = {'user-agent': 'firefox'}
    r = requests.get(url, headers=headers)
    html = etree.HTML(r.text)
    trs = html.xpath('//tr')
    for item in trs:
        title = item.xpath('normalize-space(./td/p[@class="topic-summary"]/a[@class="topic-title"]/text())')
        info = item.xpath('./td/p[@class="topic-info"]//text()')
        print('标题:', title)
        print('作者:', info[1])
        print('类型:', info[3])
        print('发布时间:', re.findall('\d{4}(?:-\d{2}){2}', info[4])[0])
        print('='*50)

if __name__ == '__main__':
        main()
Annotation 2020-08-05 104358.png


想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2020-8-5 13:57:34 | 显示全部楼层
suchocolate 发表于 2020-8-5 10:41
从网页html看,class为disable的li没有前兄弟节点,所以报错说没有。

你这个pycharm有点亮眼啊
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2020-8-5 14:15:47 | 显示全部楼层    本楼为最佳答案   
Thewhitecrow 发表于 2020-8-4 18:21
报错AttributeError: 'NoneType' object has no attribute 'previous_sibling',我感觉是一共多少页那里有 ...
import requests
import bs4
import re

def open_url(url):

    headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36'}

    res = requests.get(url, headers=headers)
    return res

def find_title(res):
    soup = bs4.BeautifulSoup(res.text,'html.parser')

    #文章标题
    title = []
    targets = soup.find_all('p',class_='topic-summary')
    for each in targets:
        title.append(each.a.text.strip('\n').strip(' '))

    #资料(作者,类型,时间)
    messages = []
    targets = soup.find_all('p',class_='topic-info')
    for each in targets:
            messages.append([each.a.text ,re.search(r"(\d{4}-\d{1,2}-\d{1,2})",each.text).group()])
    result = []
    length = len(title)
    for i in range(length):

        result.append([title[i],messages[i]])
    return result

    #找出一共多少页
def find_depth(res):
    soup = bs4.BeautifulSoup(res.text, 'html.parser')
    depth = soup.select('#Wrapper > div > div.span10 > div > div > div.pagination.clearfix > ul > li:nth-child(2) > a')
    depth = re.search('\d{3}',str(depth))
    return int(depth.group())

def main():
    res = "https://xz.aliyun.com/"
    res1 = open_url(res)
    depth = find_depth(res1)

    result = []
    for i in range(1,depth):
        url = res + '/?page=' + str(2 * i)
        print('正在爬取第',i,'页')
        res2 = open_url(url)
        
        result.extend(find_title(res2))

        with open("先知.txt",'w',encoding='utf-8') as file:
            for each in result:
                file.write(str(each))
                file.write('\n')
                file.write('=============================================')
                file.write('\n')
if __name__ == "__main__":
    main()

代码已改好
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 1 反对 0

使用道具 举报

 楼主| 发表于 2020-8-5 14:42:36 | 显示全部楼层
suchocolate 发表于 2020-8-5 10:41
从网页html看,class为disable的li没有前兄弟节点,所以报错说没有。

老哥我刚才发现你的的class原因,也改了。还是有点问题,debug的时候在有多少页这个地方,语法有问题
import requests
import bs4
import re

def open_url(url):

    headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36'}

    res = requests.get(url, headers=headers)
    return res

def find_title(res):
    soup = bs4.BeautifulSoup(res.text,'html.parser')

    #文章标题
    title = []
    targets = soup.find_all('p',class_='topic-summary')
    for each in targets:
        title.append(each.a.text)

    #资料(作者,类型,时间)
    messages = []
    targets = soup.find_all('p',class_='topic-info')
    for each in targets:
        try:
            messages.append(each.p.text.split('\n')[1].strip() + each.p.text.split('\n')[2].strip())
        except:
            continue

    result = []
    length = len(title)
    for i in range(length):
        result.append(title[i] + messages[i] + '\n')
    return result

    #找出一共多少页
def find_depth(res):
    soup = bs4.BeautifulSoup(res.text, 'html.parser')
    depth = soup.find('li', class_='disabled').previous_sibling.previous_sibling.text

    return int(depth)

def main():
    host = "https://xz.aliyun.com/"
    res = open_url(host)
    depth = find_depth(res)

    result = []
    for i in range(depth):
        url = host + '/?page=' + str(2 + i)
        res = open_url(url)
        result.extend(find_title(res))

        with open("先知.txt",'w',encoding='utf-8') as file:
            for each in result:
                file.write(each)

if __name__ == "__main__":
    main()
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

 楼主| 发表于 2020-8-5 14:44:11 | 显示全部楼层

老哥你这真的强,我好像明白了,谢谢老哥
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

 楼主| 发表于 2020-8-5 14:44:44 | 显示全部楼层
suchocolate 发表于 2020-8-5 10:41
从网页html看,class为disable的li没有前兄弟节点,所以报错说没有。

老哥你这我去学习下,非常感谢哥哥
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

 楼主| 发表于 2020-8-5 14:53:13 | 显示全部楼层

老哥为啥我去复制代码,发现爬虫结果没爬干净,是从7.23开始爬,之前的没有爬到
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

发表于 2020-8-5 14:58:51 | 显示全部楼层
Thewhitecrow 发表于 2020-8-5 14:53
老哥为啥我去复制代码,发现爬虫结果没爬干净,是从7.23开始爬,之前的没有爬到

稍等,我改一下代码
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

 楼主| 发表于 2020-8-5 15:05:30 | 显示全部楼层
1q23w31 发表于 2020-8-5 15:01
ok之前没把第一页加进去

老哥感谢,够自己去反思学习了
想知道小甲鱼最近在做啥?请访问 -> ilovefishc.com
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

小黑屋|手机版|Archiver|鱼C工作室 ( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)

GMT+8, 2025-1-19 14:27

Powered by Discuz! X3.4

© 2001-2023 Discuz! Team.

快速回复 返回顶部 返回列表