Python3 爬虫实战 — 虎扑论坛步行街【requests、Beautiful Soup、MongoDB】

爬取时间：2019-10-12
爬取难度：★★☆☆☆☆
请求链接：https://bbs.hupu.com/bxj
爬取目标：爬取虎扑论坛步行街的帖子，包含主题，作者，发布时间等，数据保存到 MongoDB 数据库
涉及知识：请求库 requests、解析库 Beautiful Soup、数据库 MongoDB 的操作
完整代码：https://github.com/TRHX/Python3-Spider-Practice/tree/master/BasicTraining/hupu
其他爬虫实战代码合集（持续更新）：https://github.com/TRHX/Python3-Spider-Practice
爬虫实战专栏（持续更新）：https://itrhx.blog.csdn.net/article/category/9351278

文章目录

【1x00】循环爬取网页模块
【2x00】解析模块
【3x00】MongoDB 数据储存模块
【4x00】完整代码
【5x00】数据截图
【6x00】程序不足的地方

【1x00】循环爬取网页模块

观察虎扑论坛步行街分区，请求地址为：https://bbs.hupu.com/bxj

第一页：https://bbs.hupu.com/bxj

第二页：https://bbs.hupu.com/bxj-2

第三页：https://bbs.hupu.com/bxj-3

不难发现，每增加一页，只需要添加 -页数 参数即可，最后一页是第 50 页，因此可以利用 for 循环依次爬取，定义一个 get_pages() 函数，返回初始化 Beautiful Soup 的对象 page_soup，方便后面的解析函数调用

虽然一共有 50 页，但是当用户访问第 10 页以后的页面的时候，会要求登录虎扑，不然就没法查看，而且登录时会出现智能验证，所以程序只爬取前 10 页的数据

def get_pages(page_url):headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'}response = requests.get(url=page_url, headers=headers)page_soup = BeautifulSoup(response.text, 'lxml')return page_soupif __name__ == '__main__':for i in range(1, 11):url = 'https://bbs.hupu.com/bxj-' + str(i)soup = get_pages(url)

【2x00】解析模块

使用 Beautiful Soup 对网页各个信息进行提取，最后将这些信息放进一个列表里，然后调用列表的 .append() 方法，再将每条帖子的列表依次加到另一个新列表里，最终返回的是类似于如下形式的列表：

[['帖子1', '作者1'], ['帖子2', '作者2'], ['帖子3', '作者3']]

这样做的目的是：方便 MongoDB 依次储存每一条帖子的信息

def parse_pages(page_soup):data_list = []all_list = page_soup.find('ul', class_='for-list')post_list = all_list.find_all('li')# print(result_list)for post in post_list:# 帖子名称post_title = post.find('a', class_='truetit').text# print(post_title)# 帖子链接post_url = 'https://bbs.hupu.com' + post.find('a', class_='truetit')['href']# print(post_url)# 作者author = post.select('.author > a')[0].text# print(author)# 作者主页author_url = post.select('.author > a')[0]['href']# print(author_url)# 发布日期post_date = post.select('.author > a')[1].text# print(post_date)reply_view = post.find('span', class_='ansour').text# 回复数post_reply = reply_view.split('/')[0].strip()# print(post_reply)# 浏览量post_view = reply_view.split('/')[1].strip()# print(post_view)# 最后回复时间last_data = post.select('.endreply > a')[0].text# print(last_data)# 最后回复用户last_user = post.select('.endreply > span')[0].text# print(last_user)data_list.append([post_title, post_url, author, author_url, post_date, post_reply, post_view, last_data, last_user])# print(data_list)return data_list

【3x00】MongoDB 数据储存模块

首先使用 MongoClient() 方法，向其传入地址参数 host 和端口参数 port，指定数据库为 hupu，集合为 bxj

将解析函数返回的列表传入到储存函数，依次循环该列表，对每一条帖子的信息进行提取并储存

def mongodb(data_list):client = MongoClient('localhost', 27017)db = client.hupucollection = db.bxjfor data in data_list:bxj = {'帖子名称': data[0],'帖子链接': data[1],'作者': data[2],'作者主页': data[3],'发布日期': str(data[4]),'回复数': data[5],'浏览量': data[6],'最后回复时间': str(data[7]),'最后回复用户': data[8]}collection.insert_one(bxj)

【4x00】完整代码

# =============================================
# --*-- coding: utf-8 --*--
# @Time    : 2019-10-12
# @Author  : TRHX
# @Blog    : www.itrhx.com
# @CSDN    : https://blog.csdn.net/qq_36759224
# @FileName: hupu.py
# @Software: PyCharm
# =============================================import requests
import time
import random
from pymongo import MongoClient
from bs4 import BeautifulSoupdef get_pages(page_url):headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'}response = requests.get(url=page_url, headers=headers)page_soup = BeautifulSoup(response.text, 'lxml')return page_soupdef parse_pages(page_soup):data_list = []all_list = page_soup.find('ul', class_='for-list')post_list = all_list.find_all('li')# print(result_list)for post in post_list:# 帖子名称post_title = post.find('a', class_='truetit').text# print(post_title)# 帖子链接post_url = 'https://bbs.hupu.com' + post.find('a', class_='truetit')['href']# print(post_url)# 作者author = post.select('.author > a')[0].text# print(author)# 作者主页author_url = post.select('.author > a')[0]['href']# print(author_url)# 发布日期post_date = post.select('.author > a')[1].text# print(post_date)reply_view = post.find('span', class_='ansour').text# 回复数post_reply = reply_view.split('/')[0].strip()# print(post_reply)# 浏览量post_view = reply_view.split('/')[1].strip()# print(post_view)# 最后回复时间last_data = post.select('.endreply > a')[0].text# print(last_data)# 最后回复用户last_user = post.select('.endreply > span')[0].text# print(last_user)data_list.append([post_title, post_url, author, author_url, post_date, post_reply, post_view, last_data, last_user])# print(data_list)return data_listdef mongodb(data_list):client = MongoClient('localhost', 27017)db = client.hupucollection = db.bxjfor data in data_list:bxj = {'帖子名称': data[0],'帖子链接': data[1],'作者': data[2],'作者主页': data[3],'发布日期': str(data[4]),'回复数': data[5],'浏览量': data[6],'最后回复时间': str(data[7]),'最后回复用户': data[8]}collection.insert_one(bxj)if __name__ == '__main__':for i in range(1, 11):url = 'https://bbs.hupu.com/bxj-' + str(i)soup = get_pages(url)result_list = parse_pages(soup)mongodb(result_list)print('第', i, '页数据爬取完毕！')time.sleep(random.randint(3, 10))print('前10页所有数据爬取完毕！')

【5x00】数据截图

一共爬取到 1180 条数据：

【6x00】程序不足的地方

程序只能爬取前 10 页的数据，因为虎扑论坛要求从第 11 页开始，必须登录账号才能查看，并且登录时会有智能验证，可以使用自动化测试工具 Selenium 模拟登录账号后再进行爬取。