爬取贴吧的标题和链接

avatar
作者
筋斗云
阅读量:0

免责声明

感谢您学习本爬虫学习Demo。在使用本Demo之前,请仔细阅读以下免责声明:

  1. 学习和研究目的:本爬虫Demo仅供学习和研究使用。用户不得将其用于任何商业用途或其他未经授权的行为。
  2. 合法性:用户在使用本Demo时,应确保其行为符合法律法规。请务必了解并遵守目标网站的服务条款和隐私政策。
  3. 道德规范:请尊重目标网站的使用条款,不要对其服务器造成过大的负载或影响其正常运行。
  4. 知识产权保护:抓取的数据应仅用于个人学习和研究,不得用于侵犯版权及其他知识产权的行为。
  5. 隐私保护:请勿抓取或存储包含个人敏感信息的数据,避免侵犯他人隐私权。
  6. 责任自负:使用本Demo可能存在一定风险,包括但不限于法律风险、数据丢失、账户封禁等。用户需自行承担所有相关风险和责任。

博主不对因使用本Demo而产生的任何直接或间接损失承担责任。用户应对其使用行为负责,并自行承担所有可能的后果。

重要提示:在使用本Demo前,请确保已详细阅读并理解上述免责声明。如有任何疑虑,请立即停止使用。

学习爬虫的一个demo,只是用了基本的requests和lxml模块

爬取贴吧的某一个话题论坛的帖子标题和链接

import requests from lxml import etree   class TieBa:     # 初始化请求接口     def __init__(self, name):         self.url = "https://tieba.xxx.com/f?kw={}".format(name)         self.headers = {             "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.0.0 Safari/537.36"         }      # 发送请求,返回请求返回的html数据     def get_html(self, url):         response = requests.get(url, headers=self.headers)         with open("TieBa.html", "wb") as f:             f.write(response.content)         return response.content.decode('utf-8').replace("<!--", "").replace("-->", "")      # 解析html     def parse_html(self, html):         el = etree.HTML(html)         a_list = el.xpath('//ul/li//div[@class="threadlist_title pull_left j_th_tit "]/a')          data_list = []         for a in a_list:             temp = {"title": a.text, "href": "https://tieba.xxx.com/" + a.attrib['href']}             data_list.append(temp)          # 获取下一页         try:             next_url = "https:{}".format(el.xpath('//*[contains(text(), "下一页")]/@href')[0])         except:             next_url = None          return data_list, next_url      # 保存数据     def sava_data(self, data_list):         for data in data_list:             print(data)      def run(self):         next_url = self.url         while True:             html = self.get_html(next_url)             data_list, next_url = self.parse_html(html)             self.sava_data(data_list)             print(next_url)             if next_url is None:                 break   if __name__ == '__main__':     tb = TieBa("话题")     tb.run() 

爬取效果图

广告一刻

为您即时展示最新活动产品广告消息,让您随时掌握产品活动新动态!