欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

一个简单的python爬虫,爬取知乎

程序员文章站 2022-06-15 18:18:00
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 ......

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

一个简单的python爬虫,爬取知乎

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