python爬取豆瓣小组700+话题加回复啦啦啦python open file with a variable name

 

需求：爬取豆瓣小组所有话题（话题title，内容，作者，发布时间），及回复（最佳回复，普通回复，回复_回复，翻页回复，0回复）

解决：1. 先爬取小组下，所有的主题链接，通过定位nextpage翻页获取总过700+条话题；

         2. 访问700+ 链接，在内页+start=0中，获取话题相关的四部分（话题title，内容，作者，发布时间），及最佳回复、回复；

         3. 在2的基础上，判断是否有回复，如果有回复才进一步判断是否有回复翻页，回复翻页通过nextpage 获取start=100、start=200的页；

         4. 进入下一个爬取函数，将抓取的回复 续写 到2 中的文件；

 

解决思路： 

Before：一开始建立2个文件，article.txt 用来存储所有话题相关的内容（700+话题、作者信息）；

            同时，建立以title命名的回复文件；

After:    统一建立以话题title命名的文章，先写入文章相关内容，再续写回复；这样方便读取；

 

 

遇到的坑：

1. 要获取某个div下直接的text，div.span下的text，div.h下的text：

——有2个解决方法：

  A. 通过xpath   //text，意思是获取div 下的所有text文件；

B. 通过css 拼接，逗号隔开即可：

 

 

2. 巩固了不同函数之间通过meta传递参数的方法：

 

 

 3. python open file with a variable name

   f = open('%s.txt' % title_end,'a')

   a:  续写

 

4.去掉 str 中的空格，换行等符号

# 去掉在x左右的空白,\t,\n和\r字符.
 x1 = x.strip(' \t\n\r')

5 . strip 去掉数据中的\r，''.join 将列表转回字符串；

# 先将文章中的\r 都去掉，有些单独的'\r' 就变成了空的列表元素：''，再用if 来判断下就好了
        artical_end = []
        for x in  article:
            x1 = x.replace('\r','')
            if x1 != '':
                artical_end.append(x1)
# 将artical_end 列表 转为字符串
        ar =''.join(artical_end)