[Python知识库]python爬虫小案例

python爬虫小案例

一、思路：

使用request模块请求网页，使用bs4对所获得网页以lxml格式进行解析，在解析得到的结果中查找特定分类的html标签即attrs={'class': 'reply-doc'}),然后对得到的结果进行循环，使用邮箱格式的正则表达式re.search("\w+@\w+.\w+", comment_ele.text, flags=re.A)搜索筛选出评论中留下的邮箱，以及发帖时间。

二、所使用模块

• reque
• bs4
• re

三、遇到的问题及解决方法

1. request.get()不能直接获取到网页页面，需要加入headers

2. 一个帖子存在多个页面，查看网页元素发现，每个页面对应一个网址，存放于类为paginator的div中，那么可以直接获得对应的网址，存放于url_set()集合中，集合可以去除重复的地址

   

3. 如果帖子不存在多个页面，那么会报错，加入一条判断语句

4. 邮箱格式的正则表达式"\w+@\w+.\w+"，如果中文直接和邮箱字符紧挨着，那么中文也会被筛选出来，需要加入flags=re.A

   

5. bs4.find()获得的是整个html元素，需要加上.text，获得其文本就行

6. 正则表达式好处多多，需要学习一下！

四、实现效果

五、代码

import requests
import bs4  # 用来解析所获得的网页
import re
headers = {
    'Referer':'https://www.douban.com/group/topic/256821035/?_dtcc=1&_i=6032830F8uHFvK',
    'sec-ch-ua': '" Not A;Brand";v="99", "Chromium";v="98", "Google Chrome";v="98"',
   'sec-ch-ua-mobile': '?0',
   'sec-ch-ua-platform': "Windows",
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.102 Safari/537.36',
}   # 浏览器请求网页的header
def page_get(url):
    page_obj = requests.get(url, headers=headers)
    bs4_obj = bs4.BeautifulSoup(page_obj.text, 'lxml')
    url_set = set()  # 存放网页地址，可以去除重复地址
    paginator_ele = bs4_obj.find('div', attrs={'class': 'paginator'})  # paginator 页面导航类，先判断是否包含多个分页，不包含分页返回空
    if paginator_ele:
        for a_ele in paginator_ele.find_all('a'):  # 如果包含分页，找到所有a标签，获取页面地址，放入集合url_set
            url_set.add(a_ele.attrs.get('href'))
            print('获得页面地址：', a_ele.attrs.get('href'))
        page_obj_list = [bs4_obj]
        for url in url_set:
            page_obj = requests.get(url, headers=headers)
            page_obj_list.append(page_obj)
    return page_obj_list


def email_get(page_obj_list):
    email_list = []
    for page in page_obj_list:
        bs4_obj = bs4.BeautifulSoup(page.text, 'lxml')
        comment_eles = bs4_obj.find_all('div', attrs={'class': 'reply-doc'})
        for ele in comment_eles:
            comment_ele = ele.find('p', attrs={'class': 'reply-content'})
            email_addr = re.search("\w+@\w+.\w+", comment_ele.text, flags=re.A)
            if email_addr:
                pub_time = ele.find('span', attrs={'class': 'pubtime'})
                email_list.append([pub_time.text, email_addr.group()])
                print([pub_time.text, email_addr.group()])
    return email_list

page_obj_list = page_get('https://www.douban.com/group/topic/165453665/')


email_list = email_get(page_obj_list)