【Python數據分析】簡單爬蟲 爬取知乎神回復


      看知乎的時候發現了一個 “如何正確地吐槽” 收藏夾,里面的一些神回復實在很搞笑,但是一頁一頁地看又有點麻煩,而且每次都要打開網頁,於是想如果全部爬下來到一個文件里面,是不是看起來很爽,並且隨時可以看到全部的,於是就開始動手了。

工具

1.Python 2.7

2.BeautifulSoup

分析網頁

我們先來看看知乎上該網頁的情況:

網址: ,容易看到,網址是有規律的,page慢慢遞增,這樣就能夠實現全部爬取了。

再來看一下我們要爬取的內容: 

我們要爬取兩個內容:問題和回答,回答僅限於顯示了全部內容的回答,如下面這種就不能爬取,因為好像無法展開(反正我不會。。),再說答案不全的話爬來也沒用,所以就不爬答案不全的了吧。

 

 

好,那么下面我們要找到他們在網頁源代碼中的位置:

 

即我們找到問題的內容包含在<h2 class = "zm-item-title"><a tar...>中,那么我們等會就可以在這個標簽里面找問題。

然后是回復:

有兩個地方都有回復的內容,因為上面那個的內容還包括了<span..>等一些內容,不方便處理,我們爬下面那個的內容,因為那個里面的內容純正無污染。

修正前代碼

好,這時候我們試着寫出python代碼:

# -*- coding: cp936 -*-
import urllib2
from BeautifulSoup import BeautifulSoup

f = open('howtoTucao.txt','w')     #打開文件

for pagenum in range(1,21):        #從第1頁爬到第20頁

    strpagenum = str(pagenum)      #頁數的str表示
    print "Getting data for Page " + strpagenum   #shell里面顯示的,表示已爬到多少頁
    url = "http://www.zhihu.com/collection/27109279?page="+strpagenum  #網址
    page = urllib2.urlopen(url)     #打開網頁
    soup = BeautifulSoup(page)      #用BeautifulSoup解析網頁
    
    #找到具有class屬性為下面兩個的所有Tag
    ALL = soup.findAll(attrs = {'class' : ['zm-item-title','zh-summary summary clearfix'] })

    for each in ALL :               #枚舉所有的問題和回答
        #print type(each.string)
        #print each.name
        if each.name == 'h2' :      #如果Tag為h2類型,說明是問題
            print each.a.string     #問題中還有一個<a..>,所以要each.a.string取出內容
            if each.a.string:       #如果非空,才能寫入
                f.write(each.a.string)
            else :                  #否則寫"No Answer"
                f.write("No Answer")
        else :                      #如果是回答,同樣寫入
            print each.string
            if each.string: 
                f.write(each.string)
            else :
                f.write("No Answer")
f.close()                           #關閉文件

代碼雖然不常,可是寫了我半天,開始各種出問題。

運行

然后我們運行就可以爬了:

 

修正前結果

等運行完畢,我們打開文件howtoTucao.txt,可以看到,這樣就爬取成功了。只是格式可能還是有點問題,原來是我No Answer沒加換行,所以No Answer還會混到文本里面去,加兩個換行就可以了。

結果在這 : 點我

 

說明

有朋友說好像這個內容有人寫過 : http://www.cnblogs.com/fengfenggirl/p/zhihu_shenhuifu.html

他跟我寫的不同,大家也可以看看,這里並無借鑒與抄襲。    

 

優化及修正

文章發出后,收到了一些朋友,前輩的指導,進行了修正:

1.可以爬取全部內容

2.格式的修正

 

由上圖我們知道,全部內容是在content hidden中的,之前我因為不知道如何處理<span..那一段,所以就沒有爬全部內容,而是簡略地爬取了部分內容。

其實去掉那一段並不難,用正則表達式匹配:

 

nowstring = re.sub('<s.+>\n<a.+>\n<.+>\n','',each.a.string)

 

即可。

然后就是一些格式的整理,由下圖我們看到,爬取出的內容會有很多&lt;..&gt; 這只有html才能夠解析,放到txt文件中就不能解析,從而出現這些字符,影響閱讀,所以我們也用正則將它們去掉。

除了&lt;br&gt;用換行符代替外,其余的我們都用''空串來代替,並且將圖片等也換掉。

修正后代碼

 

# -*- coding: cp936 -*-
import urllib2
import re
from BeautifulSoup import BeautifulSoup

f = open('howtoTucao.txt','w')     #open the file

for pagenum in range(1,21):      

    strpagenum = str(pagenum)
    print "Getting data for Page " + strpagenum   #for we can see the process in shell
    url = "http://www.zhihu.com/collection/27109279?page="+strpagenum
    page = urllib2.urlopen(url)     #get the web page
    soup = BeautifulSoup(page)      #use BeautifulSoup to parsing the web page
    
    ALL = soup.findAll(attrs = {'class' : ['zm-item-title','content hidden'] })

    for each in ALL :
        if each.name == 'h2' :
            nowstring = re.sub('<s.+>\n<a.+>\n<.+>\n','',each.a.string)
            nowstring = re.sub('&lt;br&gt;','\n',nowstring)
            nowstring = re.sub('&lt;\w+&gt;','',nowstring)
            nowstring = re.sub('&lt;/\w+&gt;','',nowstring)
            nowstring = re.sub('&lt;.+&gt;','\n圖片\n',nowstring)
            nowstring = re.sub('&quot;','"',nowstring)
            print nowstring
            if nowstring:
                f.write(nowstring)
            else :
                f.write("\n No Answer \n")
        else :
            nowstring = re.sub('<s.+>\n<a.+>\n<.+>\n','',each.string)
            nowstring = re.sub('&lt;br&gt;','\n',nowstring)
            nowstring = re.sub('&lt;\w+&gt;','',nowstring)
            nowstring = re.sub('&lt;/\w+&gt;','',nowstring)
            nowstring = re.sub('&lt;.+&gt;','\n圖片\n',nowstring)
            nowstring = re.sub('&quot;','"',nowstring)
            print nowstring
            if nowstring:
                f.write(nowstring)
            else :
                f.write("\n No Answer \n")
f.close()                                 #close the file

 

修正后結果

 

這樣就可以了。

感謝網友 Anonymous Coward , 盛強 提供建議!

結果可在我的github中查看。

                                 


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM