利用python爬取知乎评论_一个简单的python爬虫,爬取知乎
一个简单的python爬虫,爬取知乎
主要实现 爬取一个收藏夹 里 所有问题答案下的 图片
文字信息暂未收录,可自行实现,比图片更简单
具体代码里有详细注释,请自行阅读
项目源码:
1 # -*- coding:utf-8 -*-
2
3 from spider import spiderhtml
4 from multiprocessing import pool
5 import sys,urllib,http,os,random,re,time
6 __author__ = 'waiting'
7 '''
8 使用了第三方的类库 beautifulsoup4,请自行安装
9 需要目录下的spider.py文件
10 运行环境:python3.4,windows7
11 '''
12
13 #收藏夹的地址
14 url = 'https://www.zhihu.com/collection/30822111' #page参数改为代码添加
15
16 #本地存放的路径,不存在会自动创建
17 store_path = 'e:\\zhihu\收藏夹\\会员才知道的世界'
18
19 class zhihucollectionspider(spiderhtml):
20 def __init__(self,pagestart, pageend, url):
21 self._url = url
22 self._pagestart = int(pagestart)
23 self._pageend = int(pageend)+1
24 self.downlimit = 0 #低于此赞同的答案不收录
25
26 def start(self):
27 for page in range(self._pagestart,self._pageend): #收藏夹的页数
28 url = self._url + '?page='+str(page)
29 content = self.geturl(url)
30 questionlist = content.find_all('div',class_='zm-item')
31 for question in questionlist: #收藏夹的每个问题
32 qtitle = question.find('h2',class_='zm-item-title')
33 if qtitle is none: #被和谐了
34 continue
35
36 questionstr = qtitle.a.string
37 qurl = 'https://www.zhihu.com'+qtitle.a['href'] #问题题目
38 qtitle = re.sub(r'[\\/:*?"<>]','#',qtitle.a.string) #windows文件/目录名不支持的特殊符号
39 try:
40 print('-----正在获取问题:'+qtitle+'-----') #获取到问题的链接和标题,进入抓取
41 except unicodeencodeerror:
42 print(r'---问题含有特殊字符无法显示---')
43 try:
44 qcontent = self.geturl(qurl)
45 except:
46 print('!!!!获取出错!!!!!')
47 pass
48 answerlist = qcontent.find_all('div',class_='zm-item-answer zm-item-expanded')
49 self._processanswer(answerlist,qtitle) #处理问题的答案
50 time.sleep(5)
51
52
53 def _processanswer(self,answerlist,qtitle):
54 j = 0
55 for answer in answerlist:
56 j = j + 1
57
58 upvoted = int(answer.find('span',class_='count').string.replace('k','000')) #获得此答案赞同数
59 if upvoted < self.downlimit:
60 continue
61 authorinfo = answer.find('div',class_='zm-item-answer-author-info') #获取作者信息
62 author = {'introduction':'','link':''}
63 try:
64 author['name'] = authorinfo.find('a',class_='author-link').string #获得作者的名字
65 author['introduction'] = str(authorinfo.find('span',class_='bio')['title']) #获得作者的简介
66 author['link'] = authorinfo.find('a',class_='author-link')['href']
67 except attributeerror:
68 author['name'] = '匿名用户'+str(j)
69 except typeerror: #简介为空的情况
70 pass #匿名用户没有链接
71
72 file_name = os.path.join(store_path,qtitle,'info',author['name']+'_info.txt')
73 if os.path.exists(file_name): #已经抓取过
74 continue
75
76 self.savetext(file_name,'{introduction}\r\n{link}'.format(**author)) #保存作者的信息
77 print('正在获取用户`{name}`的答案'.format(**author))
78 answercontent = answer.find('div',class_='zm-editable-content clearfix')
79 if answercontent is none: #被举报的用户没有答案内容
80 continue
81
82 imgs = answercontent.find_all('img')
83 if len(imgs) == 0: #答案没有上图
84 pass
85 else:
86 self._getimgfromanswer(imgs,qtitle,**author)
87
88 #收录图片
89 def _getimgfromanswer(self,imgs,qtitle,**author):
90 i = 0
91 for img in imgs:
92 if 'inline-image' in img['class']: #不抓取知乎的小图
93 continue
94 i = i + 1
95 imgurl = img['src']
96 extension = os.path.splitext(imgurl)[1]
97 path_name = os.path.join(store_path,qtitle,author['name']+'_'+str(i)+extension)
98 try:
99 self.saveimg(imgurl,path_name) #捕获各种图片异常,流程不中断
100 except:
101 pass
102
103 #收录文字
104 def _gettextfromanswer(self):
105 pass
106
107 #命令行下运行,例:zhihu.py 1 5 获取1到5页的数据
108 if __name__ == '__main__':
109 page, limit, paramsnum= 1, 0, len(sys.argv)
110 if paramsnum>=3:
111 page, pageend = sys.argv[1], sys.argv[2]
112 elif paramsnum == 2:
113 page = sys.argv[1]
114 pageend = page
115 else:
116 page,pageend = 1,1
117
118 spider = zhihucollectionspider(page,pageend,url)
119 spider.start()
很多初学者,对python的概念都是模糊不清的,c语言、python能做什么,学的时候,该按照什么线路去学习,学完往哪方面发展,想深入了解,详情可以点击有道云笔记链接了解:http://note.youdao.com/noteshare?id=e4fa02e7b56d7909a27674cdb3da08aa
希望与广大网友互动??
点此进行留言吧!
利用python爬取知乎评论_一个简单的python爬虫,爬取知乎相关推荐
- python简单小游戏代码_一个简单的python小游戏---七彩同心圆
本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理 用pygame做一个简单的python小游戏-七彩同心圆 玩法:每次点击鼠标时,会以鼠标为圆心,不断 ...
- python爬b站评论_一个简单的爬取b站up下所有视频的所有评论信息的爬虫
心血来潮搞了一个简单的爬虫,主要是想知道某个人的b站账号,但是你知道,b站在搜索一个用户时,如果这个用户没有投过稿,是搜不到的,,,这时就只能想方法搞到对方的mid,,就是 space.bilibil ...
- src获取同级目录中的图片_一个简单的Python爬虫实例:百度贴吧页面下载图片
本文主要实现一个简单的爬虫,目的是从一个百度贴吧页面下载图片. 1. 概述 本文主要实现一个简单的爬虫,目的是从一个百度贴吧页面下载图片.下载图片的步骤如下: 获取网页html文本内容: 分析html ...
- python做一个网页、让用户上传数据_一个简单的网站爬虫教程,让你了解爬虫的步骤,爬虫网页数据采集...
Apple iPhone 11 (A2223) 128GB 黑色 移动联通电信4G手机 双卡双待 4999元包邮 去购买 > 前言 本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业 ...
- python爬取qq音乐评论_教你用Python爬去QQ音乐评论
有态度地学习 去年夏天,好像于我而言,重要的事就是毕业来临,从此踏上了搬砖之路,从学校到职场,之间身份的转变,让我又多了一份责任.当然还有一段感情经历,现在回头去看,只能说且行且珍惜,或许以后未必能再 ...
- python爬取京东书籍_一个scrapy框架的爬虫(爬取京东图书)
我们的这个爬虫设计来爬取京东图书(jd.com). scrapy框架相信大家比较了解了.里面有很多复杂的机制,超出本文的范围. 1.爬虫spider tips: 1.xpath的语法比较坑,但是你可以 ...
- python爬微博关键字_一个简单的python爬虫实践,爬取包含关键词的新浪微博
此项目主要功能是通过微博"搜索"页面,每天自动爬取所有包含自定list中词汇的微博原数据.低速可控,简单粗暴,适合用来有针对性的搜集数据量不是很大的包含关键词的微博,每日可爬3-6 ...
- 一个简单有趣的爬虫-----爬取百度翻译功能
首先确定爬取的网址:https://fanyi.baidu.com/sug 我们爬取翻译功能时应对request进行简单伪装,编写headers: base_url = 'https://fanyi. ...
- python刷微博转发_一个简单的python刷新浪微博粉丝小程序
代码简陋没有什么技术,还有个txt的配置文件才可以用.但是配置文件不发出来了.只要你自己好好看代码很容易猜得到.希望大家不要拿去刷了.因为实在是没意思. 代码中需要用到的相关python模块方法有: ...
最新文章
- PHP7.3中fileinfo怎么安装与开启
- PHP7 php_memcache.dll下载
- 神经网络neural network简单理解
- 保留关键字 (Transact-SQL) user 也是,哎
- 去除覆盖在文字上的水印_PDF文档密码移除与文字水印去除工具
- 02_Jquery_02_元素选择器
- 科目三大路考8个驾驶技巧
- html动态生成按钮事件,javascript 动态生成按钮并添加事件时为什么不响应?
- 清北中科院12位大咖联手,带你入门AI热门领域NLP!限时只需199
- pandas之get_dummies
- stm32定时器编码器模式原理及配置
- 在苹果mac中如何使用 Word 画底线、直线、虚线?
- ffplay 分析概述
- 使用C语言判断一个数是否为素数
- puppet一键部署lnmt
- 三院士漫谈:未来机器人:目标、路径和挑战
- 在CAS Server上增加OAuth2.0协议
- 电脑连上wifi显示网络正常 但是网页打不开
- 20220626——每日推送信息API总结
- DEFLATE压缩数据格式规范 v1.3
热门文章
- Photoshop touch教程全攻略
- 电源地线和大地的关系
- 【slam十四讲第二版】【课本例题代码向】【第九讲~后端Ⅰ】【安装Meshlab】【BAL数据集格式】【ceres求解BA】【g2o求解BA】
- 华为自研发操作系统鸿蒙,你知华为芯片“麒麟”之意,又可知自研系统“鸿蒙”之深意?...
- GitBook建立本地Book及导入别人Book
- 手持两把锟斤拷,口中疾呼烫烫烫。脚踏千朵屯屯屯,笑看万物锘锘锘。
- java异常判断_Java异常类
- 大学计算机基础ppt操作题目,键盘操作大学计算机基础.ppt
- gbase 8d客户端连接注意事项
- 期货公司最低标准的手续费和保证金