【新手】python爬虫遍历贴吧用户

---

 

当前blog已不再更新，请移步新家：moozik.cn

---

 

想法是遍历学校贴吧的用户，获取用户的数据用来分析，因为是初学python，就一点一点的写，变量命名也不规范，见谅

系统：windows

版本：python 3.5

#获取河北大学工商学院吧1000页以内的用户

import urllib.request
import re
url='http://tieba.baidu.com/f/like/furank?kw=%BA%D3%B1%B1%B4%F3%D1%A7%B9%A4%C9%CC%D1%A7%D4%BA&pn='

webfile=open('tieba.txt','w')

for each in range(1000):
    url2=url+str(each+1)

    webdata=urllib.request.urlopen(url2).read()

    webdata = webdata.decode('gbk')

    userdata=re.findall('<table(.*?)</table>',webdata,re.S)

    webfile.write(userdata[1]+'\n')
    print(str(each+1)+'page done!')


webfile.close()

上面的代码遍历了贴吧排名页面的前1000页，截取了网页中需要分析的段落，并存储在文件中

 

import re


#打开tieba.txt用于读取
tiebadata=open('tieba.txt','r')
userlist=open('user.txt','w')
tmp=tiebadata.readline()
i=1
while not tmp=='':
    print(i)
    list=re.findall('<a.*?>(.*?)</a>.*?<td class="drl_item_title"><div class="bg_lv(\d+)"><span>.*?<td class="drl_item_exp"><span>(\d+)</span>',tmp)
    for each in list:
        userlist.write(each[0]+','+each[1]+','+each[2]+'\n')
    tmp=tiebadata.readline()
    i=i+1

userlist.close()
tiebadata.close()

上面读取了tieba.txt文件，每次读取一行，使用正则表达式截取了用户名，等级，经验值三个数据，保存在了user.txt

#获取所有用户的详细信息

import re
import urllib.request
import urllib.parse


userlist=open('user.txt','r')
userlist2=open('usermore.txt','w')

text=userlist.read()
userlist.close()
alluser=text.split('\n')
i=1
for each in alluser:
    user2=each.split(',')
    api='http://tieba.baidu.com/home/get/panel?ie=utf-8&un='
    web=urllib.request.urlopen(api+urllib.parse.quote(user2[0])).read()
    #使用web.decode('unicode_escape')解码unicode编码的汉字
    web=web.decode('unicode_escape')

    usertmp=re.findall('"id":(\d+).*?"sex":"(.*?)","tb_age":(.*?),"post_num":(.*?),',web)

    userlist2.write(each+','+str(','.join(usertmp[0]))+'\n')

    print(str(i)+user2[0])
    i=i+1
userlist2.close()

上面这段代码是有问题的，总是爆出一个错误，IndexError: list index out of range，显示写文件那一行出错，在pychrm中执行了几行就报错，在命令行中还执行的多一些，现在还是很费解，希望有了解的前辈解答一下。

上面这一段是读取user.txt，直接使用\n分割文本，制造了一个大列表，然后使用for循环，我觉得这里是不是按行读取会更好一些。

循环中，使用用户id组合url获取更多的用户数据，因为百度的接口获取的数据的文本不是明文，所以这里使用decode解码，之后依然是使用正则获取了用户的数字id，性别，吧龄，发帖数。之后print变量i用户在命令行中查看进度。

因为不是多线程的，程序的效率真的非常的低。

 

希望下次可以做得更好。