前言：
之前學習了用python爬蟲的基本知識，現在計划用爬蟲去做一些實際的數據統計功能。由於前段時間演員的誕生帶火了幾個年輕的實力派演員，想用爬蟲程序搜索某論壇中對於某些演員的討論熱度，並按照日期統計每天的討論量。
這個項目總共分為兩步：
1. 獲取所有帖子的鏈接：
將最近一個月內的帖子鏈接保存到數組中
2. 從回帖中搜索演員名字：
從數組中打開鏈接，翻出該鏈接的所有回帖，在回帖中查找演員的名字
獲取所有帖子的鏈接：
搜索的范圍依然是以虎撲影視區為界限。虎撲影視區一天約5000個回帖，一月下來超過15萬回帖，作為樣本來說也不算小，有一定的參考價值。
完成這一步驟，主要分為以下幾步：
1. 獲取當前日期
2. 獲取30天前的日期
3. 記錄從第一頁往后翻的所有發帖鏈接
1. 獲取當前日期
這里我們用到了datetime模塊。使用datetime.datetime.now()，可以獲取當前的日期信息以及時間信息。在這個項目中，只需要用到日期信息就好。
2. 獲取30天前的日期
用datetime模塊的優點在於，它還有一個很好用的函數叫做timedelta，可以自行計算時間差。當給定參數days=30時，就會生成30天的時間差，再用當前日期減去delta，可以得到30天前的日期，將該日期保存為startday，即開始進行統計的日期。不然計算時間差需要自行考慮跨年閏年等因素，要通過一個較為復雜的函數才可以完成。
today = datetime.datetime.now()
delta = datetime.timedelta(days=30)
i = "%s" %(today - delta)
startday = i.split(' ')[0]
today = "%s" %today
today = today.split(' ')[0]
在獲得開始日期與結束日期后，由於依然需要記錄每一天每個人的討論數，根據這兩個日期生成兩個字典，分別為actor1_dict與actor2_dict。字典以日期為key，以當日討論數目作為value，便於每次新增查找記錄時更新對應的value值。
strptime, strftime = datetime.datetime.strptime, datetime.datetime.strftime days = (strptime(today, "%Y-%m-%d") - strptime(startday, "%Y-%m-%d")).days for i in range(days+1): temp = strftime(strptime(startday, "%Y-%m-%d") + datetime.timedelta(i), "%Y-%m-%d") actor1_dict[temp] = 0 actor2_dict[temp] = 0
3. 記錄從第一頁往后翻的所有發帖鏈接
如圖1所示，采用發帖順序排列，可以得到所有的發帖時間（精確到分鍾）。右鍵並點擊查看網頁源代碼，可以發現當前帖子的鏈接頁面，用正則表達式的方式抓取鏈接。
首先依然是獲取30天前的日期，再抓取第i頁的源代碼，用正則表達式去匹配，獲取網頁鏈接和發帖時間。如圖2所示：
比較發帖時間，如果小於30天前的日期，則獲取發帖鏈接結束，返回當前拿到的鏈接數組，代碼如下
def all_movie_post(ori_url):
i = datetime.datetime.now()
delta = datetime.timedelta(days=30)
i = "%s" %(i - delta)
day = i.split(' ')[0] # 獲得30天前的日子
print day
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = { 'User-Agent' : user_agent }
post_list = []
for i in range(1,100):
request = urllib2.Request(ori_url + '-{}'.format(i),headers = headers)
response = urllib2.urlopen(request)
content = response.read().decode('utf-8')
pattern = re.compile('<a href="(.*?)" class="truetit" >.*?<a style="color:#808080;cursor: initial; ">(.*?)</a>', re.S)
items = re.findall(pattern,content)
for item in items:
if item[1] == '2011-09-16':
continue
if item[1] > day: #如果是30天內的帖子，保存
post_list.append('https://bbs.hupu.com' + item[0])
else: #如果已經超過30天了，就直接返回
return post_list
return post_list
函數的傳參是鏈接首頁，在函數中修改頁碼，並繼續搜索。
從回帖中搜索演員名字：
接下來的步驟也是通過一個函數來解決。函數的傳參包括上一步中得到的鏈接數組，已經想要查詢的演員名字（這個功能可以進一步擴展，將演員名字也用列表的形式傳輸，同時上一步生成的字典也可以多一些）。
由於虎撲論壇會將一些得到認可的回帖擺在前端，即重復出現。如圖3所示：
為了避免重復統計，將這些重復先去除，代碼如下：
if i == 0:
index = content.find('更多亮了的回帖')
if index >= 0:
content = content[index:]
else:
index = content.find('我要推薦')
content = content[index:]
去除的規則其實並不重要，因為每個論壇都有自己的格式，只要能搞清楚源代碼中是怎么寫的，剩下的操作就可以自己根據規則進行。
每個回帖格式大致如圖4，
用對應的正則表達式再去匹配，找到每個帖子每一個回帖的內容，在內容中搜索演員名字，即一開始的actor_1與actor_2，如果搜到，則在對應回帖日期下+1。
最終將兩位演員名字出現頻率返回，按日期記錄的字典由於是全局變量，不需要返回。
web_str = '<span class="stime">(.*?) .*?</span>.*?<tbody>[\s]*<tr>[\s]*<td>(.*?)<br />' #找到回帖內容的正則
pattern = re.compile(web_str, re.S)
items = re.findall(pattern,content)
for item in items:
#if '<b>引用' in item: #如果引用別人的回帖，則去除引用部分
#try:
#item = item.split('</blockquote>')[1]
#except:
#print item
#print item.decode('utf-8')
if actor_1 in item[1]:
actor1_dict[item[0]] += 1
actor_1_freq += 1
if actor_2 in item[1]:
actor2_dict[item[0]] += 1
actor_2_freq += 1
至此，我們就利用爬蟲知識，成功完成對論壇關鍵字的頻率搜索了。
這只是一個例子，關鍵字可以任意，這也不只是一個針對演員的誕生而寫的程序。將演員名字換成其他詞，就可以做到類似“您的年度關鍵字”這樣的結果，根據頻率大小來顯示文字大小。
此文轉載文，著作權歸作者所有，如有侵權聯系小編刪除！
原文地址：https://blog.csdn.net/panfengzjz/article/details/79313824