Python爬虫初探——天涯
天涯论坛爬取全部博文，保存为word文档
-
- 一切工作从目录开始
- 每个文章的URL得到了，终于要开始爬文章和图片
-
- 图片下载出了一些大问题
- 调试阶段
一切工作从目录开始
[注：全部过程先看了一遍 https://www.jianshu.com/p/81a5da4fa161 简书，理清思路]
首先我们要从博主的主页面入手，将显示的博文一篇一篇爬取下来。主页面如下
（网页url： http://www.tianya.cn/6090416/bbs ）
爬取目录文章的URL是我们的目标。重点在于我们如何从前一篇文章的url得到后一篇文章的URL，这样就可以完全实现全自动的爬取了。然后把爬取的文章url放在txt文档之后调用即可。
首先我遵从人类进化起源于懒惰这一至理名言，希望利用八爪鱼可视化爬虫软件完成第一步骤，遂卒。。。因为从调试中我们可以看到是无法直接读取目录信息的，是简书所说接口难寻，也就是，因为这部分是异步加载，需要我们去得到目录页的真实URL。F12打开network找到bbsuser后的hearder，Request URL: http://www.tianya.cn/api/bbsuser?method=userinfo.ice.getUserTotalArticleList¶ms.userId=6090416¶ms.pageSize=20¶ms.bMore=true¶ms.kindId=-1¶ms.publicNextId=2147483647¶ms.techNextId=2147483647¶ms.cityNextId=2147483647
这才是我们所需要的URL。
分析前后两篇文章的URL可以发现前后的URL是有联系的，即前一个的"public_next_id"字段就是后面一篇URL的params.publicNextId、params.techNextId、params.cityNextId的内容。于是可以正则表达提取合并从而得到全部文章的URL。代码如下:
# -*- coding: utf-8 -*-
"""
Created on Mon Jun 3 12:28:32 2019
@author: Administrator
"""
from pyspider.libs.base_handler import *
import urllib.request
import re
filepath ='D:\Ayu\\website.txt'
filehandle = open(filepath,'w')
art_list ='http://www.tianya.cn/api/bbsuser?method=userinfo.ice.getUserTotalArticleList¶ms.userId=6090416¶ms.pageSize=20¶ms.bMore=true¶ms.kindId=-1¶ms.publicNextId=2147483647¶ms.techNextId=2147483647¶ms.cityNextId=2147483647'
link = urllib.request.urlopen(art_list)
html = link.read().decode('utf-8')
#print (html)
get_id = re.compile(r'"art_id":"(.*?)","item"') #[\S\s]匹配任意字符
art_id = re.findall(get_id,html)
#print(len(art_id))
get_type = re.compile(r'"item":"(.*?)","extend"') #[\S\s]匹配任意字符
item_type = re.findall(get_type,html)
#print(item_type)
i=1
l=1
while l:
if len(art_id) !=0:
str1=""
for index in range(0,len(art_id)):
str1= 'http://bbs.tianya.cn/post-'+ item_type[index] +'-'+art_id[index]+'-1.shtml'
filehandle.write(str1+'\n')
print(str1)
get_nextid = re.compile(r'"public_next_id":"(.*?)","tech_next_id"')
next_id = re.findall(get_nextid,html)
#print(next_id)
next_list=""
next_list ='http://www.tianya.cn/api/bbsuser?method=userinfo.ice.getUserTotalArticleList¶ms.userId=6090416¶ms.pageSize=20¶ms.bMore=true¶ms.kindId=-1¶ms.publicNextId='+next_id[0]+'¶ms.techNextId='+next_id[0]+'¶ms.cityNextId='+next_id[0]
#print (art_list)
link = urllib.request.urlopen(next_list)
html = link.read().decode('utf-8')
get_id = re.compile(r'"art_id":"(.*?)","item"') #[\S\s]匹配任意字符
art_id = re.findall(get_id,html)
#print(len(art_id))
get_type = re.compile(r'"item":"(.*?)","extend"') #[\S\s]匹配任意字符
item_type = re.findall(get_type,html)
#print(item_type)
str1 = '============================'+'第'+ str(i) +' 页'+'=============================='
print(str1)
i=i+1
else:
l=0
每个文章的URL得到了，终于要开始爬文章和图片
人类的本质是复读机————某至理名言
此部分框架用的是csdn上这位大哥的 https://blog.csdn.net/koanzhongxue/article/details/45709861 ，其次需要我们按照自己情况来修改的地方（不得不说虽然re正则表达式 是最基础最灵活的爬虫工具，但能够灵活运用还是需要火候，比如我在爬取的时候就因为没有匹配好前后值，导致总是爬到某一篇文章就断掉，因为那篇文章的结构和其他的不一样。相比下来beautiful soup是真的好用，上手快且不需要处理太多异常情况）
其中我们使用了Python的doc库函数，re正则化，urlib.request Python3访问url函数，image读取函数，beautifulsoup和time函数推迟调用线程的运行
# -*- coding: utf-8 -*-
"""
Spyder Editor
This is a temporary script file.
"""
import urllib.request
import re
import _locale
from bs4 import BeautifulSoup
import os
import time
import requests
from docx import Document
from docx.shared import Inches
from PIL import Image
_locale._getdefaultlocale = (lambda *args: ['zh_CN', 'utf8'])
inde=1
for line in open("D:\\Ayu\\files\\readWebsite0.txt","r",encoding='utf-8'):
link = urllib.request.urlopen(line)
html = link.read().decode('utf-8')
#print (html)
gettitle = re.compile(r'(.*?) ')
title = re.findall(gettitle,html)
print(title)
#获取文章标题
if os.path.exists(title[0]+'.doc'): #为了防止900多篇文章若出错 不要再从头开始了
print("该文章已存在")
continue
else:
getmaxlength = re.compile(r'(\d*)\s*下页')
#用正则获取最大页数信息
if getmaxlength.search(html):
maxlength = getmaxlength.search(html).group(1)
print(maxlength)
else:
maxlength=1
#*************************************************************************
#正则匹配 除所有的帖子内容
gettext = re.compile(r'\s*([\S\s]*?)\s*') #[\S\s]匹配任意字符
gettext1 = re.compile(r'(.*?)')
origin_soup=BeautifulSoup(html,'lxml')
content= origin_soup.find(class_="bbs-content clearfix")
getpagemsg = re.compile(r'\s*(.*?).*\s*时间：(.*?)')
getnextpagelink = re.compile(r'下页')
#遍历每一页,获取发帖作者，时间，内容，并打印
content_image= origin_soup.findAll('img',)
#print(content)
#print(content_image)
#指定文件路径
path = os.getcwd()
new_path = os.path.join(path, 'pictures')
if not os.path.isdir(new_path):
os.mkdir(new_path)
new_path += '/'
#print(new_path)
#下载图片
image_couter=1
#requests.DEFAULT_RETRIES = 5
for img in content_image:
#s = requests.session()
#s.keep_alive = False
img_url=img.get('original')
#print (img_url)
if img_url is not None:
try:
url_content = requests.get(img_url+line)# 可以
except:
print(u'HTTP请求失败！正在准备重发...')
time.sleep(2)
continue
url_content.encoding = url_content.apparent_encoding
img_name = '%s.jpg' % image_couter
with open(os.path.join(img_name), 'wb') as f:
f.write(url_content.content)
f.close()
#time.sleep(3)
image_couter += 1
print('下载图片完成')
############################写入#############################
#filepath ='D:\\Ayu\\files\\'+title[0]+'.doc' #utf-8编码，需要转为gbk .decode('utf-8').encode('gbk')
#
#filehandle = open(filepath,'a+')
##打印文章标题
#filehandle.write(title[0] +'\n')
doc = Document()
doc.add_paragraph(title[0] +'\n')
str1 = ""
for pageno in range(1,int(maxlength)+1):
i = 0
str1 = '============================'+'第 '+ str(pageno)+' 页'+'=============================='
print (str1)
doc.add_paragraph(str1 +'\n')
#获取每条发言的信息头，包含作者，时间
#print(type(html))
pagemsg = re.findall(getpagemsg,html)
if pageno is 1:
#获取第一个帖子正文
# html中的 ,在转换成文档后,变成\t\n\r
if content is None:
gettext1 = ''
else:
gettext1 = content.text.replace('\t','').replace('\r','').replace('\n','')
#因为第一条内容由text1获取，text获取剩下的，所以text用i-1索引
#获取帖子正文
text = re.findall(gettext,html)
for ones in pagemsg:
if pageno > 1:
if ones is pagemsg[0]:
continue #若不是第一页，跳过第一个日期
if 'host' in ones[0]:
str1= '楼主：'+ ones[1] +' 时间:' + ones[2]
doc.add_paragraph(str1 +'\n')
else:
str1= ones[0] + ones[1] + ' 时间:' + ones[2]
doc.add_paragraph(str1+'\n')
if pageno is 1: #第一页特殊处理
if i is 0:
str1= gettext1.split('\u3000\u3000')
img_index=1
for j in range(1,len(str1)):
#print(str1[j])
if len(str1[j]) == 0:
images = '%s.jpg'%img_index
#print('此处插入图片')
img_index = img_index+1
try:
doc.add_picture(images, width=Inches(4)) # 添加图, 设置宽度
os.remove(images)#删除保存在本地的图片
except Exception:
continue
else:
doc.add_paragraph(str1[j])
#print('此处插入段落')
else:
str1 = text[i-1].replace('
','\n').replace('title="点击图片查看幻灯模式"','\n')
str0 = str1.split()
#print(str0)
for m in range(0,len(str0)):
if str0[m].startswith('','\n').replace('title="点击图片查看幻灯模式"','\n')
str2 = str1.split()
#print(str2)
for k in range(0,len(str2)):
if str2[k].startswith('>pageno:'+str(pageno)+' line:'+str(i))
print ('>>'+text[i-1])
print (e)
i = i +1
if pageno < int(maxlength):
#获取帖子的下一页链接，读取页面内容
nextpagelink = 'http://bbs.tianya.cn'+getnextpagelink.search(html).group(1)
#print(type(html))
link = urllib.request.urlopen(nextpagelink)
html = link.read().decode('utf-8')
doc.save(title[0]+'.doc')
图片下载出了一些大问题
https://blog.csdn.net/weixin_40420401/article/details/82384049>python 3.x 爬虫基础—http headers详解（转）
https://blog.csdn.net/hu77700021/article/details/79837569 爬虫反爬-关于headers（UA、referer、cookies）的一些有趣反爬
https://blog.csdn.net/qq_33733970/article/details/77876761 爬虫之突破天涯防盗链
我要单独拿出来这段代码的想法就是，真的被这问题搞了好几天！若用src或者original直接得到的图片不是正在加载滚动，就是天涯社区的马赛克，URL显示的是403。直到看到上面最后一篇文章的解决方法。其实自己对前端的知识也不了解，参考网址仅记录在此日后学习查看。
#指定文件路径 下载图片
path = os.getcwd()
new_path = os.path.join(path, 'pictures')
if not os.path.isdir(new_path):
os.mkdir(new_path)
new_path += '/'
#print(new_path)
image_couter=1
for img in content_image：
img_url=img.get('original')
#print (img_url)
if img_url is not None:
url_content = requests.get(img_url+line)
url_content.encoding = url_content.apparent_encoding
img_name = '%s.jpg' % image_couter
with open(os.path.join(img_name), 'wb') as f:
f.write(url_content.content)
f.close()
#time.sleep(3)
image_couter += 1
print('下载图片完成')
调试阶段
利用单网页.py排查错误，意思就是每当大代码循环被终止的时候，把出错的网页URL放在下面代码的line中再运行并且运行成功后再去大代码跑循环。其实内容和主代码一致，只是这里line是固定的，主代码是循环读取的。
# -*- coding: utf-8 -*-
"""
Created on Thu Jun 6 16:52:50 2019
@author: sybil_yan
"""
import urllib.request
import re
import _locale
from bs4 import BeautifulSoup
import os
import time
import requests
from docx import Document
from docx.shared import Inches
from PIL import Image
_locale._getdefaultlocale = (lambda *args: ['zh_CN', 'utf8'])
line='http://bbs.tianya.cn/post-develop-102356-1.shtml'
link = urllib.request.urlopen(line)
html = link.read().decode('utf-8')
#print (html)
gettitle = re.compile(r'(.*?) ')
title = re.findall(gettitle,html)
#print(title)
#获取文章标题
getmaxlength = re.compile(r'(\d*)\s*下页')
#用正则获取最大页数信息
if getmaxlength.search(html):
maxlength = getmaxlength.search(html).group(1)
print(maxlength)
else:
maxlength=1
#*************************************************************************
#正则匹配 除所有的帖子内容
gettext = re.compile(r'\s*([\S\s]*?)\s*') #[\S\s]匹配任意字符
gettext1 = re.compile(r'(.*?)')
origin_soup=BeautifulSoup(html,'lxml')
content= origin_soup.find(class_="bbs-content clearfix")
content_image= origin_soup.findAll('img',)
#print(content)
#print(content_image)
#指定文件路径
path = os.getcwd()
new_path = os.path.join(path, 'pictures')
if not os.path.isdir(new_path):
os.mkdir(new_path)
new_path += '/'
#print(new_path)
#下载图片
image_couter=1
#requests.DEFAULT_RETRIES = 5
for img in content_image:
#s = requests.session()
#s.keep_alive = False
img_url=img.get('original')
print (img_url)
if img_url is not None:
try:
url_content = requests.get(img_url+line)# 可以
except:
print(u'HTTP请求失败！正在准备重发...')
time.sleep(2)
continue
url_content.encoding = url_content.apparent_encoding
img_name = '%s.jpg' % image_couter
with open(os.path.join(img_name), 'wb') as f:
f.write(url_content.content)
f.close()
#time.sleep(3)
image_couter += 1
print('下载图片完成')
#print(type(content))
#
#if content is None:
# gettext1 = ''
#else:
# gettext1 = content.text.replace('\t','').replace('\r','').replace('\n','')
#
# #print (content.text)
#
# gettext1 = gettext1.split('\u3000\u3000')
#print(len(gettext1[1]))
getpagemsg = re.compile(r'\s*(.*?).*\s*时间：(.*?)')
getnextpagelink = re.compile(r'下页')
#遍历每一页,获取发帖作者，时间，内容，并打印
############################写入#############################
#filepath ='D:\\Ayu\\files\\'+title[0]+'.doc' #utf-8编码，需要转为gbk .decode('utf-8').encode('gbk')
#
#filehandle = open(filepath,'a+')
##打印文章标题
#filehandle.write(title[0] +'\n')
doc = Document()
doc.add_paragraph(title[0] +'\n')
str1 = ""
for pageno in range(1,int(maxlength)+1):
i = 0
str1 = '============================'+'第 '+ str(pageno)+' 页'+'=============================='
print (str1)
doc.add_paragraph(str1 +'\n')
#获取每条发言的信息头，包含作者，时间
#print(type(html))
pagemsg = re.findall(getpagemsg,html)
if pageno is 1:
#获取第一个帖子正文
# html中的 ,在转换成文档后,变成\t\n\r
if content is None:
gettext1 = ''
else:
gettext1 = content.text.replace('\t','').replace('\r','').replace('\n','')
#因为第一条内容由text1获取，text获取剩下的，所以text用i-1索引
#获取帖子正文
text = re.findall(gettext,html)
for ones in pagemsg:
if pageno > 1:
if ones is pagemsg[0]:
continue #若不是第一页，跳过第一个日期
if 'host' in ones[0]:
str1= '楼主：'+ ones[1] +' 时间:' + ones[2]
doc.add_paragraph(str1 +'\n')
else:
str1= ones[0] + ones[1] + ' 时间:' + ones[2]
doc.add_paragraph(str1+'\n')
if pageno is 1: #第一页特殊处理
if i is 0:
str1= gettext1.split('\u3000\u3000')
img_index=1
for j in range(1,len(str1)):
#print(str1[j])
if len(str1[j]) == 0:
images = '%s.jpg'%img_index
print('此处插入图片')
img_index = img_index+1
try:
doc.add_picture(images, width=Inches(4)) # 添加图, 设置宽度
os.remove(images)#删除保存在本地的图片
except Exception:
continue
else:
doc.add_paragraph(str1[j])
print('此处插入段落')
else:
str1 = text[i-1].replace('
','\n').replace('title="点击图片查看幻灯模式"','\n')
str0 = str1.split()
print(str0)
for m in range(0,len(str0)):
if str0[m].startswith('','\n').replace('title="点击图片查看幻灯模式"','\n')
str2 = str1.split()
print(str2)
for k in range(0,len(str2)):
if str2[k].startswith('>pageno:'+str(pageno)+' line:'+str(i))
print ('>>'+text[i-1])
print (e)
i = i +1
if pageno < int(maxlength):
#获取帖子的下一页链接，读取页面内容
nextpagelink = 'http://bbs.tianya.cn'+getnextpagelink.search(html).group(1)
#print(type(html))
link = urllib.request.urlopen(nextpagelink)
html = link.read().decode('utf-8')
doc.save(title[0]+'.doc')
问题一：
解决方法参考 https://blog.csdn.net/jingsiyu6588/article/details/88653946 。实际情况中隔了五分钟直接重运行就可以了，可能是天涯的网站监督不是那么严格。
问题二：
http://bbs.tianya.cn/post-develop-1385610-1.shtml （ConnectionError:HTTPConnectionPool(host=‘img7.laibafile.cn.youjz.org’, port=80):Max retries exceeded with url: /1.jpghttp://bbs.tianya.cn/post-develop-1385610-1.shtml%0A (Caused by NewConnectionError (’: Failed to establish a new
connection: [Errno 11004] getaddrinfo failed’))
第一次参考解决方法https://www.cnblogs.com/caicaihong/p/7495435.html 解决Max retries exceeded with url的问题，但我用了一次就不好用了（内心OS：难道真的要逼我学cookie和header么）。第二天我排查发现问题出在图片URL获取上，那么我参考了简书一位小哥的形式，当找不到地址时不断重播，发现是可行的OMG！代码如下：
try:
url_content = requests.get(img_url+line)
except:
print(u'HTTP请求失败！正在准备重发...')
time.sleep(2)
continue
未解决问题html记录：
-
http://bbs.tianya.cn/post-develop-2056252-1.shtml
http://bbs.tianya.cn/post-free-3229755-1.shtml
…
（ValueError : All strings must be XML compatible: Unicode or ASCII, no NULL bytes or control characters，未查到原因 空白页处置。如有网友知道问题出在哪希望告知在下，不胜感激）
-
http://bbs.tianya.cn/post-worldlook-595711-1.shtml （HTTPError: Bad Gateway HTTPError: Gateway Time-out）
后来发现所有含有worldlook和sock的地址都被封了无法访问（即网页进去都无法访问）。所以我们需要把所有不含此字节的挑出来：
# -*- coding: utf-8 -*-
"""
Created on Sat Jun 15 10:47:15 2019
@author: Administrator
"""
import _locale
from bs4 import BeautifulSoup
from docx import Document
from docx.shared import Inches
from PIL import Image
filepath0 ='errorWebsite.txt'
filehandle0 = open(filepath0,'w')
filepath1 ='readWebsite.txt'
filehandle1 = open(filepath1,'w')
for line in open("D:\\Ayu\\website0.txt","r",encoding='utf-8'):
if 'worldlook' in line or 'stocks' in line:
filehandle0.write(line)
else:
filehandle1.write(line)
做了一周的成果啊 OAO：
撒花花 --<-<-<@