引言
写这个小爬虫主要是为了爬校园论坛上的实习信息,主要采用了Requests库
源码
URLs.py
主要功能是根据一个初始url(包含page页面参数)来获得page页面从当前页面数到pageNum的url列表
import re def getURLs(url, attr, pageNum=1): all_links = [] try: now_page_number = int(re.search(attr+'=(\d+)', url, re.S).group(1)) for i in range(now_page_number, pageNum + 1): new_url = re.sub(attr+'=\d+', attr+'=%s' % i, url, re.S) all_links.append(new_url) return all_links except TypeError: print "arguments TypeError:attr should be string."
uni_2_native.py
由于论坛上爬取得到的网页上的中文都是unicode编码的形式,文本格式都为 &#XXXX;的形式,所以在爬得网站内容后还需要对其进行转换
import sys import re reload(sys) sys.setdefaultencoding('utf-8') def get_native(raw): tostring = raw while True: obj = re.search('&#(.*"htmlcode"># -*- coding: utf-8 -*- import MySQLdb class saveSqlite(): def __init__(self): self.infoList = [] def saveSingle(self, author=None, title=None, date=None, url=None,reply=0, view=0): if author is None or title is None or date is None or url is None: print "No info saved!" else: singleDict = {} singleDict['author'] = author singleDict['title'] = title singleDict['date'] = date singleDict['url'] = url singleDict['reply'] = reply singleDict['view'] = view self.infoList.append(singleDict) def toMySQL(self): conn = MySQLdb.connect(host='localhost', user='root', passwd='', port=3306, db='db_name', charset='utf8') cursor = conn.cursor() # sql = "select * from info" # n = cursor.execute(sql) # for row in cursor.fetchall(): # for r in row: # print r # print '\n' sql = "delete from info" cursor.execute(sql) conn.commit() sql = "insert into info(title,author,url,date,reply,view) values (%s,%s,%s,%s,%s,%s)" params = [] for each in self.infoList: params.append((each['title'], each['author'], each['url'], each['date'], each['reply'], each['view'])) cursor.executemany(sql, params) conn.commit() cursor.close() conn.close() def show(self): for each in self.infoList: print "author: "+each['author'] print "title: "+each['title'] print "date: "+each['date'] print "url: "+each['url'] print "reply: "+str(each['reply']) print "view: "+str(each['view']) print '\n' if __name__ == '__main__': save = saveSqlite() save.saveSingle('网','aaa','2008-10-10 10:10:10','www.baidu.com',1,1) # save.show() save.toMySQL()主要爬虫代码
import requests from lxml import etree from cc98 import uni_2_native, URLs, saveInfo # 根据自己所需要爬的网站,伪造一个header headers ={ 'Accept': '', 'Accept-Encoding': '', 'Accept-Language': '', 'Connection': '', 'Cookie': '', 'Host': '', 'Referer': '', 'Upgrade-Insecure-Requests': '', 'User-Agent': '' } url = 'http://www.cc98.org/list.asp"get infomation from cc98..." urls = URLs.getURLs(url, "page", 50) savetools = saveInfo.saveSqlite() for url in urls: r = requests.get(url, headers=headers) html = uni_2_native.get_native(r.text) selector = etree.HTML(html) content_tr_list = selector.xpath('//form/table[@class="tableborder1 list-topic-table"]/tbody/tr') for each in content_tr_list: href = each.xpath('./td[2]/a/@href') if len(href) == 0: continue else: # print len(href) # not very well using for, though just one element in list # but I don't know why I cannot get the data by index for each_href in href: link = cc98 + each_href title_author_time = each.xpath('./td[2]/a/@title') # print len(title_author_time) for info in title_author_time: info_split = info.split('\n') title = info_split[0][1:len(info_split[0])-1] author = info_split[1][3:] date = info_split[2][3:] hot = each.xpath('./td[4]/text()') # print len(hot) for hot_num in hot: reply_view = hot_num.strip().split('/') reply, view = reply_view[0], reply_view[1] savetools.saveSingle(author=author, title=title, date=date, url=link, reply=reply, view=view) print "All got! Now saving to Database..." # savetools.show() savetools.toMySQL() print "ALL CLEAR! Have Fun!"以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
免责声明:本站文章均来自网站采集或用户投稿,网站不提供任何软件下载或自行开发的软件!
如有用户或公司发现本站内容信息存在侵权行为,请邮件告知! 858582#qq.com
白云城资源网 Copyright www.dyhadc.com
暂无“python定向爬虫校园论坛帖子信息”评论...
《魔兽世界》大逃杀!60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容,新游玩模式《强袭风暴》即将于3月21 日在亚服上线,届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕,并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时,他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中,玩家将会进入一个全新的海盗主题大逃杀式限时活动,其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场,作为一个独立于主游戏之外的活动,玩家可以用大逃杀的风格来体验《魔兽世界》,不分职业、不分装备(除了你在赛局中捡到的),光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式,玩家在加入海盗主题的预赛大厅区域前,可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹,《巨龙崛起》和《魔兽世界:巫妖王之怒 经典版》的玩家都可以获得奖励。
更新日志
2025年01月12日
2025年01月12日
- 小骆驼-《草原狼2(蓝光CD)》[原抓WAV+CUE]
- 群星《欢迎来到我身边 电影原声专辑》[320K/MP3][105.02MB]
- 群星《欢迎来到我身边 电影原声专辑》[FLAC/分轨][480.9MB]
- 雷婷《梦里蓝天HQⅡ》 2023头版限量编号低速原抓[WAV+CUE][463M]
- 群星《2024好听新歌42》AI调整音效【WAV分轨】
- 王思雨-《思念陪着鸿雁飞》WAV
- 王思雨《喜马拉雅HQ》头版限量编号[WAV+CUE]
- 李健《无时无刻》[WAV+CUE][590M]
- 陈奕迅《酝酿》[WAV分轨][502M]
- 卓依婷《化蝶》2CD[WAV+CUE][1.1G]
- 群星《吉他王(黑胶CD)》[WAV+CUE]
- 齐秦《穿乐(穿越)》[WAV+CUE]
- 发烧珍品《数位CD音响测试-动向效果(九)》【WAV+CUE】
- 邝美云《邝美云精装歌集》[DSF][1.6G]
- 吕方《爱一回伤一回》[WAV+CUE][454M]