經過前期大量的學習與准備，我們重要要開始寫第一個真正意義上的爬蟲了。本次我們要爬取的網站是：百度貼吧，一個非常適合新人練手的地方，那么讓我們開始吧。
本次要爬的貼吧是<< 西部世界 >>，西部世界是我一直很喜歡的一部美劇，平時有空也會去看看吧友們都在聊些什么。所以這次選取這個吧來作為實驗材料。注意：很多人學Python過程中會遇到各種煩惱問題，沒有人解答容易放棄。為此小編建了個Python全棧免費解答.裙 ：一久武其而而流一思（數字的諧音）轉換下可以找到了，不懂的問題有老司機解決里面還有免非最新Python教程下載,，一起相互監督共同進步！
貼吧地址 :
https://tieba.baidu.com/f?kw=%E8%A5%BF%E9%83%A8%E4%B8%96%E7%95%8C&ie=utf-8
Python版本 : 3.6
瀏覽器版本： Chrome
目標分析：
由於是第一個實驗性質爬蟲，我們要做的不多，我們需要做的就是：
1、從網上爬下特定頁碼的網頁
2、對於爬下的頁面內容進行簡單的篩選分析
3、找到每一篇帖子的 標題、發帖人、日期、樓層、以及跳轉鏈接
4、將結果保存到文本。
前期准備：
看到貼吧的url地址是不是覺得很亂？有那一大串認不得的字符？
其實這些都是中文字符，
%E8%A5%BF%E9%83%A8%E4%B8%96%E7%95%8C
在編碼之后就是： 西部世界。
鏈接的末尾處：&ie=utf-8 表示該連接采用的是utf-8編碼。
windows的默認編碼是GBK，在處理這個連接的時候，需要我們在Python里手動設置一下，才能夠成功使用。
Python3相對於Python2對於編碼的支持有了很大的提升，默認全局采用utf-8編碼，所以建議還在學Python2的小伙伴趕緊投入Python3的懷抱，真的省了老大的功夫了。
接着我們翻到貼吧的第二頁：
url:
`url: https://tieba.baidu.com/f?kw=%E8%A5%BF%E9%83%A8%E4%B8%96%E7%95%8C&ie=utf-8&pn=50` 注意到沒有，連接的末尾處多了一個參數&pn=50,
這里我們很容易就能猜到，這個參數的與頁碼的聯系：
- &pn=0 ： 首頁
- &pn=50： 第二頁
- &pn=100：第三頁
- &pn=50*n 第n頁
- 50 表示 每一頁都有50篇帖子。
這下我們就能通過簡單的url修改，達到翻頁的效果了。
chrome開發人員工具的使用：
要寫爬蟲，我們一定要會使用開發工具，說起來這個工具是給前段開發人員用的，但是我們可以通過它快速定位我們要爬取的信息，並找到相對應的規律。
- 按cmmand+option+I 打開chrome工具，（win可以看按F12或者手動在chrome工具欄里打開）
- 使用模擬點擊工具快速定位到一個單獨帖子的位置。(左上角的鼠標箭頭圖標)
我們仔細的觀察一下，發現每個帖子的內容都包裹在一個li標簽內：
<li class=" j_thread_list clearfix">
這樣我們只要快速找出所有的符合規則的標簽，
在進一步分析里面的內容，最后篩選出數據就可以了。
開始寫代碼吧？
我們先寫出抓取頁面內人的函數：
這是前面介紹過的爬取框架，以后我們會經常用到。
import requests from bs4 import BeautifulSoup # 首先我們寫好抓取網頁的函數 def get_html(url): try: r = requests.get(url,timeout=30) r.raise_for_status() #這里我們知道百度貼吧的編碼是utf-8，所以手動設置的。爬去其他的頁面時建議使用： # r.endcodding = r.apparent_endconding r.encoding='utf-8' return r.text except: return " ERROR " 接着我們摘取其中的詳細信息：
- 我們來分一下每一個li標簽內部的結構：
一個大的li標簽內包裹着很多個 div標簽
而我們要的信息就在這一個個div標簽之內：
# 標題&帖子鏈接
<a rel="noreferrer" href="/p/5803134498" title="【高淸】西部世界1-2季，中英字，未❗️刪❕減.🌸任性給" target="_blank" class="j_th_tit ">【高淸】西部世界1-2季，中英字，未❗️刪❕減.🌸任性給</a> #發帖人： <span class="tb_icon_author no_icon_author" title="主題作者: 愛學習的萌新_" data-field="{"user_id":829797296}"><i class="icon_author"></i><span class="pre_icon_wrap pre_icon_wrap_theme1 frs_bright_preicon"><a class="icon_tbworld icon-crown-super-v1" href="/tbmall/tshow" data-field="{"user_id":829797296}" target="_blank" title="貼吧超級會員"></a></span> #回復數量： <div class="col2_left j_threadlist_li_left"> <span class="threadlist_rep_num center_text" title="回復">822</span> </div> #發帖日期： <span class="pull-right is_show_create_time" title="創建時間">7-20</span> 分析完之后，我們就能很容易的通過soup.find()方法得到我們想要的結果
具體代碼的實現：
''' 抓取百度貼吧---西部世界吧的基本內容 爬蟲線路： requests - bs4 Python版本： 3.6 OS： mac os 12.13.6 ''' import requests import time from bs4 import BeautifulSoup # 首先我們寫好抓取網頁的函數 def get_html(url): try: r = requests.get(url, timeout=30) r.raise_for_status() # 這里我們知道百度貼吧的編碼是utf-8，所以手動設置的。爬去其他的頁面時建議使用： # r.endcodding = r.apparent_endconding r.encoding = 'utf-8' return r.text except: return " ERROR " def get_content(url): ''' 分析貼吧的網頁文件，整理信息，保存在列表變量中 ''' # 初始化一個列表來保存所有的帖子信息： comments = [] # 首先，我們把需要爬取信息的網頁下載到本地 html = get_html(url) # 我們來做一鍋湯 soup = BeautifulSoup(html, 'lxml') # 按照之前的分析，我們找到所有具有‘ j_thread_list clearfix’屬性的li標簽。返回一個列表類型。 liTags = soup.find_all('li', attrs={'class': ' j_thread_list clearfix'}) # 通過循環找到每個帖子里的我們需要的信息： for li in liTags: # 初始化一個字典來存儲文章信息 comment = {} # 這里使用一個try except 防止爬蟲找不到信息從而停止運行 try: # 開始篩選信息，並保存到字典中 comment['title'] = li.find( 'a', attrs={'class': 'j_th_tit '}).text.strip() comment['link'] = "http://tieba.baidu.com/" + \ li.find('a', attrs={'class': 'j_th_tit '})['href'] comment['name'] = li.find( 'span', attrs={'class': 'tb_icon_author '}).text.strip() comment['time'] = li.find( 'span', attrs={'class': 'pull-right is_show_create_time'}).text.strip() comment['replyNum'] = li.find( 'span', attrs={'class': 'threadlist_rep_num center_text'}).text.strip() comments.append(comment) except: print('出了點小問題') return comments def Out2File(dict): ''' 將爬取到的文件寫入到本地 保存到當前目錄的 TTBT.txt文件中。 ''' with open('TTBT.txt', 'a+') as f: for comment in dict: f.write('標題： {} \t 鏈接：{} \t 發帖人：{} \t 發帖時間：{} \t 回復數量： {} \n'.format( comment['title'], comment['link'], comment['name'], comment['time'], comment['replyNum'])) print('當前頁面爬取完成') def main(base_url, deep): url_list = []