豆瓣日记、新浪博客爬虫(python)

前因

豆瓣日记

先分析脚本结构,再用BeautifulSoup处理

#-*- coding:utf-8 -*-
import re
import requests
import numpy
from bs4 import BeautifulSoup
i=1#计数君
name="https://www.douban.com/people/petitespot/notes?start=30&type=note"#链接地^
#翻页的话把30改成40、50……
a= requests.get(name).text
soup = BeautifulSoup(a)

for url in soup.find_all("div", attrs={"class": "note-header-container"}):
    res = url.find(class_='j a_unfolder_n')
    link= res['href']#获取每篇文章的链接地址
    a= requests.get(link).text
    soup1 = BeautifulSoup(a)#第二个soup结构
    title=soup1.find("meta", attrs={"property": "og:title"})
    title=title['content']#获取title
    res= soup1.find("div", attrs={"id": "link-report"})
    st=" "
    for a in res.find_all('p'):#如果网页结构理想,便只有<p></p>
        st+='\n'
        st+=unicode(a.string)
    if st==" ":#否则简单处理,去掉<br>变为换行
        st=str(res)
        st=st.replace("<br/>","\n")
        string = str(i) + title + '.txt'
        fp = open(string, 'wb')
        fp.writelines(st)
        fp.close()
        i = i + 1
    else:
        string = str(i) + title + '.txt'
        fp = open(string, 'wb')
        fp.writelines(st.encode("u8"))
        fp.close()
        i = i + 1

新浪博客

新浪的编码特别奇怪,网上的.decode().encode处理之后仍然是乱码,最后还是机缘巧合找到了解决方案。
http://blog.chinaunix.net/uid-13869856-id-5747417.html
https://segmentfault.com/q/1010000000665231

#-*- coding:utf-8 -*-
import re
import requests
import numpy
import urllib
import urllib2
import chardet
import sys
import chardet
from bs4 import BeautifulSoup
i=1
reload(sys)
url = 'http://blog.sina.com.cn/s/articlelist_1270505543_0_1.html'
req = requests.get(url)
if req.encoding == 'ISO-8859-1':
    encodings = requests.utils.get_encodings_from_content(req.text)
    if encodings:
        encoding = encodings[0]
    else:
        encoding = req.apparent_encoding
encode_content = req.content.decode(encoding, 'replace').encode('utf-8', 'replace')

soup = BeautifulSoup(encode_content,'html5lib')
#必须是html5lib,否则会损失信息

for url in soup.find_all("p", attrs={"class": "atc_main SG_dot"}):
    if i<=36:
        i=i+1
        continue
    res = url.find(target='_blank')
    link= res['href']
    a= requests.get(link)
    encodings = requests.utils.get_encodings_from_content(a.text)
    encoding = encodings[0]
    content = a.content.decode(encoding, 'replace').encode('utf-8', 'replace')
    soup1 = BeautifulSoup(content, 'html5lib')
    title=soup1.title.string
    res= soup1.find("div", attrs={"id": "sina_keyword_ad_area2"})
    st=" "
    st=str(res)
    string = str(i) + title + '.html'
    fp = open(string, 'wb')
    fp.writelines(st)
    fp.close()
    i = i + 1

由于新浪的正文中出现大量html结构,只好用html格式存储,没有转换成txt文本。


最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,189评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,577评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,857评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,703评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,705评论 5 366
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,620评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,995评论 3 396
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,656评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,898评论 1 298
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,639评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,720评论 1 330
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,395评论 4 319
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,982评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,953评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,195评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,907评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,472评论 2 342

推荐阅读更多精彩内容