基于scrapy框架输入关键字爬取有关贴吧帖子
基于scrapy框架输入关键字爬取有关贴吧帖子
站点分析
首先进入一个贴吧，要想达到输入关键词爬取爬取指定贴吧，必然需要利用搜索引擎
点进看到有四种搜索方式，分别试一次，观察url变化
我们得知：
搜索贴吧：http://tieba.baidu.com/f/search/fm?ie=UTF-8&qw=dfd
搜索帖子：http://tieba.baidu.com/f/search/res?ie=utf-8&qw=dfd
其中参数qw是搜索关键词，由此我们可以构建搜索贴吧的url
搜索得到的页面，可以得到我们需要的贴吧url
我们就可以轻而易举的得到我们搜索的相关贴吧
下面对贴吧主页进行分析
进入贴吧F12查看
显然我们知道#thread_list这个列表，观察看到这就是每个贴在，注意li标签里的data-field字段有我们需要的信息, 不过我们只需要得到帖子的url，之后对帖子进一步提取，其中data-tid就是贴子的id，通过这个我们可以定位唯一的帖子
如data-tid="6410699527", 则帖子的url为teiba.baidu.com/p/6410699527具体的探索过程就不一一阐述了。。。
对帖子分析
直接源码省去很多字、、、的寻找过程，我们在源码找到了一段JavaScript代码，其中firstpost就是楼主发的帖子。。为什么不在HTML便签中提取？因为你试试就知道了，开始我就是在HTML便签中提取的，部分贴吧标题提取不出来。firstpost有着很详细的信息，标题，内容，时间
现在对贴吧的回复贴吧提取：
探索得知，很多带有表情的回复帖，内容很乱，打算正则提取。。。
一个小白的分析过程想的多，看的慢，难受！这里就不在阐述了，不然分析过程写不下
items.py编写
在这个模块里定义自己的字段，这里我们需要帖子的标题，内容，作者，时间，回复数，回复内容
源码：
# -*- coding: utf-8 -*-
import scrapy
class postDataItem(scrapy.Item):
tid = scrapy.Field()
title = scrapy.Field()
content = scrapy.Field()
author_name = scrapy.Field()
date = scrapy.Field()
reply_content = scrapy.Field()
reply_num = scrapy.Field()
device = scrapy.Field()#这给字段读者不必关注，项目所需
pipelines.py的编写
没有；
哈哈，还没想好用什么数据库
爬虫模块的编写
# -*- coding: utf-8 -*-
import scrapy
from urllib.parse import urlencode
from scrapy.http import Request
import re
import time
from ..items import postDataItem
class BtspiderSpider(scrapy.Spider):
name = 'btSpider'
allowed_domains = ['tieba.baidu.com']
base_url = 'http://tieba.baidu.com'
def start_requests(self):
"""
开始搜索相关学校贴吧
"""
search_base_url = 'http://tieba.baidu.com/f/search/fm?ie=UTF-8&'
arg1 = urlencode({'qw':self.school}) #通过命令行传递属性
search_url = search_base_url + arg1
yield Request(url=search_url, callback=self.get_search_page_urls, dont_filter=True) #搜索的url送到调度器， 注意：这个url不参与去重下面用到
def get_search_page_urls(self, response):
"""
获得搜索结果所有页面，
发送每页的url到调度器
"""
pager_search = response.xpath("//div[@class='pager pager-search']/a/@href").extract()[:-2]
pager_search = [(self.base_url + pager) for pager in pager_search ]
pager_search.append(response.url)
for pager_url in pager_search:
yield Request(url=pager_url, callback=self.get_forum_urls)
def get_forum_urls(self, response):
"""
获得所有相关贴吧的url送到调度器
"""
forum_lists = response.xpath('//div[@class="search-forum-list"]/div[@class="forum-item clear-float"]')
for forum in forum_lists:
forum_url = self.base_url + forum.xpath('./div[@class="left"]/a/@href').extract_first()
yield Request(url=forum_url, callback=self.get_post_urls)
def get_post_urls(self, response):
"""
获得所有帖子的url
"""
postList = response.xpath("//li[@class=' j_thread_list clearfix']")
for post in postList:
data_tid = post.xpath("./@data-tid").extract_first()
post_url = self.base_url + '/p/' + data_tid
yield Request(url=post_url, callback=self.get_post_data)
#实现翻页操作
url_list = response.xpath("//div[@id='frs_list_pager']/a")[:-2]
for url in url_list:
if int(re.findall('.*pn=(\d*)', url.xpath('./@href').extract_first())[0]) <= 20000:
yield response.follow(url=url, callback=self.get_post_urls)
else:
break
def get_post_data(self, response):
post_data_item = postDataItem()
# 提取帖子id
tid = re.compile("https?://tieba.baidu.com/p/(\d*).*").findall(response.url)[0]
post_data_item['tid'] = tid
# 提取帖子内容的正则表达式，来源为页面底部JavaScript代码
rpost = '"firstPost": {"title":"(?P<title>.*)","content":"(?P<content>.*)","is_vote".*"now_time":(?P<date>\d*)'
post = re.search(rpost, response.text)
# 将字符串Unicode编码转换为中文
dirty_title = post.group('title').encode('utf-8').decode("unicode_escape")
dirty_content = post.group('content').encode('utf-8').decode("unicode_escape")
# 找到所有标签替换为空
post_data_item['title'] = re.sub('<.*?>', '', dirty_title)
post_data_item['content'] = re.sub('<.*?>', '', dirty_content)
# 时间戳转换为字符串时间
post_data_item['date'] = time.strftime("%Y-%m-%d %X", time.localtime(int(post.group('date'))))
# 提取作者的xpath表达式
xauthor = "//div[contains(@class, 'louzhubiaoshi')]/@author"
post_data_item['author_name'] = response.xpath(xauthor).extract_first()
# 提取楼层回复内容的xpath表达式,是所有的内容
# 这是经过清洗的数据用它来做分析
xreply_content = "//div[contains(@class, 'd_post_content')]/text()"
all_content = response.xpath(xreply_content).extract()
all_content_dirty = ''.join(all_content)
post_data_item['reply_content'] = ''.join(re.findall(r'[\u4e00-\u9fa5]', all_content_dirty))
# 提取帖子回复数量的xpath表达式
xreply_num = "//span[@class='red']/text()"
post_data_item['reply_num'] = response.xpath(xreply_num).extract_first()
for key, value in post_data_item.items():
print(key, value)
运行结果
注意这是，我爬虫的精简版，只专注于一个帖子爬取
