“希希敬敬对”团队作业——敏捷冲刺4

“希希敬敬对”百度贴吧小爬虫任务计划：

今天的团队讨论照片：

　　　龙江腾（队长） 201810775001

　　　　　完成“爬取发帖主题人的主题回复数据”代码review，明天完成代码，实现“把10个页面的数据整合到一个数据组中，并进行排序”的功能。

　　　杨希                   201810812008

　　　　　完成代码，实现“爬取发帖主题人的主题回复数据”功能，明天完成“把10个页面的数据整合到一个数据组中，并进行排序”的代码review。

　　　何敬上　　　　 201810812004

　　　　　完成“爬取发帖主题人的主题回复数据”代码review，明天完成代码，实现“把10个页面的数据整合到一个数据组中，并进行排序”的功能。

遇到的问题：

　　暂无

燃尽图：

 

 

程序代码（基于昨天代码的基础上的更新）：

# 找到数据对应的网页，分析网页结构找到数据所在的标签位置
#模拟HTTP请求，向服务器发送这个请求，获取到服务器返回给我们的HTML

import re
from urllib import request

class BDTBCrawler():
    url = "http://tieba.baidu.com/f?kw=%E4%B8%9C%E5%8D%8E%E7%90%86%E5%B7%A5%E5%A4%A7%E5%AD%A6&ie=utf-8"
    Name_num_list = []

    def __init__(self, url):
        BDTBCrawler.url = url

    #匹配到包含了主题作者和帖子回复数关键字的标签
    root_pattern = '<span class="threadlist_rep_num center_text"([\s\S]*?)data-field='
    # 匹配到对应的帖子回复数
    num_pattern = 'title="回复">([\s\S]*?)</span>'
    # 匹配到主题作者
    name_pattern = 'title="主题作者: ([\s\S]*?)"'

    #模拟HTTP请求，向服务器发送请求，获取到服务器返回给我们的HTML
    def __fetch_content(self):
        r = request.urlopen(BDTBCrawler.url)
        htmls = r.read()
        # 将服务器返回的字节码转换成字符串格式
        htmls = str(htmls, encoding='utf-8')
        return htmls

    def __analysis(self, htmls):
        #root_html获取包含了主题作者和帖子回复数关键字的标签
        root_html = re.findall(BDTBCrawler.root_pattern, htmls)
        # 用anchors这个列表来存放提取出来的主题作者和帖子回复数组成的字典
        anchors = []
        for html in root_html:
            # 提取主题作者（列表类型）
            name = re.findall(BDTBCrawler.name_pattern, html)
            # #提取回复数（列表类型）
            number = re.findall(BDTBCrawler.num_pattern, html)
            anchor = {'name': name, 'number': number}
            anchors.append(anchor)
            # print(anchors)
        return anchors

    def go(self):
        #使用for循环爬取前10页
        htmls = ''
        for i in range(0, 10):
            pn = i * 50
            #page记录当前爬取页面需要在URL上添加的字符串
            page = '&pn=' + str(pn)
            BDTBCrawler.url += page
            htmls += self.__fetch_content()
        anchors = self.__analysis(htmls)
        for i in anchors:
            print(i)

crawler = BDTBCrawler(BDTBCrawler.url)
crawler.go()

 程序运行结果部分截图：