爬虫试手——百度贴吧爬虫
自学python有一段时间了，做过的东西还不多，最近开始研究爬虫，想自己写一个爬百度贴吧的帖子内容，然后对帖子做分词和词频统计，看看这个吧热议的关键词都有哪些。百度了好多资料和视频，学到了不少东西，但也生出了一些问题：
成都创新互联是一家专注于做网站、网站制作与策划设计,武陵源网站建设哪家好?成都创新互联做网站,专注于网站建设十多年,网设计领域的专业建站公司;建站业务涵盖:武陵源等地区。武陵源做网站价格咨询:18980820575
1、http请求用python自带的urllib，也可以用requests，哪个更好用？
2、html解析可以用正则表达式，也可以用xpath，哪个效率更高？
根据网上资料的说法，requests相对更好用，因为很多功能已经封装好了，性能上与urllib也没什么区别，而正则表达式通常要比xpath效率更高。不过实践出真知，分别用两种方式写出来然后对比一下。爬取的目标是我很喜欢的一个游戏——英雄无敌3的贴吧，从第10页爬到30页，只爬帖子、回帖以及楼中楼内容的文字部分。首先用建议初学者使用的urllib加正则表达式写了一版：
# -*- coding: utf-8 -*-
from urllib import request
import re
import queue
import os
import math
import threading
from time import sleep
import datetime
baseurl="https://tieba.baidu.com" #贴吧页面url的通用前缀
q=queue.Queue() #保存帖子链接的队列
MAX_WAIT=10 #解析线程的最大等待时间
reg=re.compile('<[^>]*>') #去除html标签的正则表达式
#封装的获取html字符串的函数
def get_html(url):
response=request.urlopen(url)
html=response.read().decode('utf-8')
return html
#采集url的线程，thnum线程id，startpage开始采集的页数，step单个线程采集页数间隔（与线程个数相同），maxpage采集结束的页数，url采集的贴吧的url后缀
class getlinkthread(threading.Thread):
def __init__(self,thnum,startpage,step,maxpage,url):
threading.Thread.__init__(self)
self.thnum=thnum
self.startpage=startpage
self.step=step
self.maxpage=maxpage
self.url=url
def run(self):
mm=math.ceil((self.maxpage-self.startpage)/self.step) #计算循环的范围
for i in range(0,mm):
startnum=self.startpage+self.thnum+i*self.step #开始页数
tempurl=baseurl+self.url+"&pn="+str(startnum*50) #构造每一页的url
print("Thread %s is getting %s"%(self.thnum,tempurl))
try:
temphtml=get_html(tempurl)
turls = re.findall(r'rel="noreferrer" href="(/p/[0-9]*?)"', temphtml,re.S) #获取当前页的所有帖子链接
for tu in turls: #入队列
q.put(tu)
except:
print("%s get failed"%(tempurl))
pass
sleep(1)
#解析url的线程，thrnum线程id，barname贴吧名，用来构造文件保存路径
class parselinkthread(threading.Thread):
def __init__(self,thrnum,barname):
threading.Thread.__init__(self)
self.thrnum=thrnum
self.barname=barname
def run(self):
waittime=0
while True:
if q.empty() and waittime sleep(1) waittime=waittime+1 print("Thr %s wait for %s secs"%(self.thrnum,waittime)) elif waittime>=MAX_WAIT: #等待超过MAX_WAIT时，线程退出 print("Thr %s quit"%(self.thrnum)) break else: #队列不为空时，重置等待时间，从队列中取帖子url，进行解析 waittime=0 item=q.get() self.dotask(item) def dotask(self,item): print("Thr %s is collecting %s"%(self.thrnum,item)) self.savepost(item,self.barname) #抓取一页的内容，包括帖子及楼中楼，入参为页面url和帖子id，返回值为帖子的内容字符串 def getpagestr(self,url,tid): html=get_html(url) result1 = re.findall(r'class="d_post_content j_d_post_content ">(.*?)
result2 = re.findall(r'class="j_lzl_r p_reply" data-field=\'{(.*?)}\'', html,re.S)
pagestr=""
for res in result1:
pagestr=pagestr+reg.sub('',res)+"\n" #先整合帖子内容
for res in result2:
if 'null' not in res: #若有楼中楼，即层数不为null
pid=res.split(",")[0].split(":")[1] #楼中楼id
numreply=int(res.split(",")[1].split(":")[1]) #楼中楼层数
tpage=math.ceil(numreply/10) #计算楼中楼页数，每页10条，用于遍历楼中楼的每一页
for i in range(1,tpage+1):
replyurl="https://tieba.baidu.com/p/comment?tid="+tid+"&pid="+pid+"&pn="+str(i) #构造楼中楼url
htmlreply=get_html(replyurl)
replyresult=re.findall(r'(.*?)', htmlreply,re.S) #获取楼中楼的评论内容
for reply in replyresult:
pagestr=pagestr+reg.sub('',reply)+"\n"
return pagestr
#爬取一个帖子，入参为帖子后缀url，以及贴吧名
def savepost(self,url,barname):
tid=url.replace("/p/","")
filename = "E:/tieba/"+barname+"/"+tid+".txt" #文件保存路径
if os.path.exists(filename): #判断是否已经爬取过当前帖子
return
print(baseurl+url)
try:
html=get_html(baseurl+url)
findreault = re.findall(r'([0-9]*)页', html,re.S) #获取当前帖子页数
numpage=findreault[0]
poststr=self.getpagestr(baseurl+url,tid) #获取第一页
if int(numpage)>1:
for i in range(2,int(numpage)+1):
tempurl=baseurl+url+"?pn="+str(i) #构造每一页的url，循环获取每一页
pagestr=self.getpagestr(tempurl,tid)
poststr=poststr+pagestr
with open(filename,'w',encoding="utf-8") as f: #写文件
f.write(poststr)
except:
print("get %s failed"%(baseurl+url))
pass
if __name__ == '__main__':
starttime = datetime.datetime.now()
testurl="/f?kw=%E8%8B%B1%E9%9B%84%E6%97%A0%E6%95%8C3&fr=index&fp=0&ie=utf-8"
barname="英雄无敌3"
html=get_html(baseurl+testurl)
numpost=re.findall(r'共有主题数([0-9]*?)个', html,re.S)[0] #获取帖子总数
numpage=math.ceil(int(numpost)/50) #计算页数
path = "E:/tieba/"+barname
folder=os.path.exists(path)
if not folder:
os.makedirs(path)
for i in range(3): #创建获取帖子链接的线程
t=getlinkthread(i,10,3,30,testurl)
t.start()
for j in range(3): #创建解析帖子链接的线程
t1=parselinkthread(j,barname)
t1.start()
t1.join()
endtime = datetime.datetime.now()
print(endtime-starttime)
然后用requests加xpath写了一版：
# -*- coding: utf-8 -*-
import requests
from lxml import etree
import re
import queue
import os
import math
import threading
import datetime
from time import sleep
baseurl="https://tieba.baidu.com" #贴吧页面url的通用前缀
q=queue.Queue() #保存帖子链接的队列
MAX_WAIT=10 #解析线程的最大等待时间
reg=re.compile('<[^>]*>') #去除html标签的正则表达式
#封装的获取etree对象的函数
def get_url_text(url):
response=requests.get(url)
return etree.HTML(response.text)
#封装的获取json对象的函数
def get_url_json(url):
response=requests.get(url)
return response.json()
#封装的通过xpath解析的函数
def parse_html(html,xpathstr):
result = html.xpath(xpathstr)
return result
#采集url的线程，thnum线程id，startpage开始采集的页数，step单个线程采集页数间隔（与线程个数相同），maxpage采集结束的页数，url采集的贴吧的url后缀
class getlinkthread(threading.Thread):
def __init__(self,thnum,startpage,step,maxpage,url):
threading.Thread.__init__(self)
self.thnum=thnum
self.startpage=startpage
self.step=step
self.maxpage=maxpage
self.url=url
def run(self):
mm=math.ceil((self.maxpage-self.startpage)/self.step) #计算循环的范围
for i in range(0,mm):
startnum=self.startpage+self.thnum+i*self.step #开始页数
tempurl=baseurl+self.url+"&pn="+str(startnum*50) #构造每一页的url
print("Thread %s is getting %s"%(self.thnum,tempurl))
try:
temphtml=get_url_text(tempurl)
turls = parse_html(temphtml, '//*[@class="threadlist_title pull_left j_th_tit "]/a/@href') #通过xpath解析，获取当前页所有帖子的url后缀
for tu in turls: #入队列
q.put(tu)
except:
print("%s get failed"%(tempurl))
pass
sleep(1)
#解析url的线程，thrnum线程id，barname贴吧名，用来构造文件保存路径
class parselinkthread(threading.Thread):
def __init__(self,thrnum,barname):
threading.Thread.__init__(self)
self.thrnum=thrnum
self.barname=barname
def run(self):
waittime=0
while True:
if q.empty() and waittime sleep(1) waittime=waittime+1 print("Thr %s wait for %s secs"%(self.thrnum,waittime)) elif waittime>=MAX_WAIT: #等待超过MAX_WAIT时，线程退出 print("Thr %s quit"%(self.thrnum)) break else: #队列不为空时，重置等待时间，从队列中取帖子url，进行解析 waittime=0 item=q.get() self.dotask(item) def dotask(self,item): print("Thr %s is collecting %s"%(self.thrnum,item)) tid=item.replace("/p/","") #获取帖子的id，后面构造楼中楼url以及保存文件时用到 filename = "E:/tieba/"+barname+"/"+tid+".txt" #文件保存路径 if os.path.exists(filename): #判断是否已经爬取过当前帖子 return print(baseurl+item) try: html=get_url_text(baseurl+item) findreault = parse_html(html, '//*[@id="thread_theme_5"]/div[1]/ul/li[2]/span[2]/text()') #获取当前帖子页数 numpage=int(findreault[0]) poststr=self.getpagestr(baseurl+item,tid,1) #获取第一页的内容 if numpage>1: for i in range(2,numpage+1): tempurl=baseurl+item+"?pn="+str(i) #构造每一页的url，循环获取每一页 pagestr=self.getpagestr(tempurl,tid,i) poststr=poststr+pagestr poststr= reg.sub('',poststr) #正则表达式去除html标签 with open(filename,'w',encoding="utf-8") as f: #写文件 f.write(poststr) except: print("Thr %s get %s failed"%(self.thrnum,baseurl+item)) pass #抓取一页的内容，包括帖子及楼中楼，入参为页面url和帖子id，返回值为帖子的内容字符串 def getpagestr(self,url,tid,pagenum): html=get_url_text(url) lzlurl=baseurl+"/p/totalComment?tid="+tid+"&pn="+str(pagenum)+"&see_lz=0" #构造楼中楼url jsonstr=get_url_json(lzlurl) #正常一页能看到的楼中楼的内容返回为json格式，如果有楼中楼层数大于10的，需要通过其他格式的url获取楼中楼10层以后的内容 result1 = parse_html(html,'//*[@class="d_post_content j_d_post_content "]/text()') #xpath解析返回楼中楼内容 pagestr="" for res in result1: pagestr=pagestr+res+"\n" #先整合帖子内容 if jsonstr['data']['comment_list']!=[]: #如果某页没有楼中楼，返回是空的list，不加判断的话会报错 for key,val in jsonstr['data']['comment_list'].items(): #循环获取每层楼中楼的内容，key是楼中楼id，val为包含楼中楼层数、内容等信息的字典 lzlid=key lzlnum=int(val['comment_num']) tpage=math.ceil(lzlnum/10) #计算楼中楼的页数 for cominfo in val['comment_info']: pagestr=pagestr+cominfo['content']+"\n" if tpage>1: #楼中楼超过1页时，需要构造第二页及以后的楼中楼url for i in range(1,tpage+1): replyurl="https://tieba.baidu.com/p/comment?tid="+tid+"&pid="+lzlid+"&pn="+str(i) #构造楼中楼url htmlreply=get_url_text(replyurl) replyresult=parse_html(htmlreply, '/html/body/li/div/span/text()') #获取楼中楼的评论内容 for reply in replyresult: pagestr=pagestr+reply+"\n" return pagestr if __name__ == '__main__': starttime = datetime.datetime.now() testurl="/f?ie=utf-8&kw=%E8%8B%B1%E9%9B%84%E6%97%A0%E6%95%8C3&fr=search" barname="英雄无敌3" html=get_url_text(baseurl+testurl) findreault = parse_html(html, '//*[@class="th_footer_l"]/span[1]/text()') #获取当前帖子页数 numpost=int(findreault[0]) numpage=math.ceil(int(numpost)/50) #计算页数 path = "E:/tieba/"+barname folder=os.path.exists(path) if not folder: os.makedirs(path) for i in range(3): #创建获取帖子链接的线程 t=getlinkthread(i,10,3,30,testurl) t.start() for j in range(3): #创建解析帖子链接的线程 t1=parselinkthread(j,barname) t1.start() t1.join() endtime = datetime.datetime.now() print(endtime-starttime) 执行的结果： 方法1：urllib+正则执行时间：0:32:22.223089，爬下来984个帖子，失败9个帖子 方法2：requests+xpath执行时间：0:21:42.239483，爬下来993个帖子，失败0个帖子 结果与经验不同！后来想了一下，可能是因为对楼中楼的爬取方式不同，方法1中对每一个楼中楼每一页都要请求一次url，因为当时不会用浏览器F12工具，楼中楼的url格式是百度查到的。。。在写方法2时用F12工具抓到了第一页楼中楼的url，就是返回json的那个，这样如果楼中楼层数不超过10的话，每一页帖子的楼中楼只需要请求一次，只有超过10层的楼中楼才需要用方法1中的url进行爬取，这样效率就高了许多。这样看来，这个测试不是很合理。 分享一点经验： 1、就个人感觉来说，正则比xpath好用，只要找到html中的特定格式就行了，不过似乎容错差一点，方法1失败的9个帖子可能就是因为个别帖子html格式与其他不同导致正则匹配不到； 2、requests比urllib好用，尤其对于返回json格式的url，字典操作感觉比返回字符串做正则匹配要方便； 3、pip装lxml的时候报错，提示Cannot open include file: 'libxml/xpath.h': No such file or directory，以及没有安装libxml2，后来百度到https://www.cnblogs.com/caochuangui/p/5980469.html这个文章的方法，安装成功
当前标题：爬虫试手——百度贴吧爬虫
网页URL：http://cdiso.cn/article/ihchcp.html
