爬虫学习笔记：练习爬取多页天涯帖子

2023年11月21日 141次阅读 来源: zengdamo

今天练习了抓取多页天涯帖子，重点复习的知识包括

  1. soup.find_all和soup.selcet两个筛选方式对应不同的参数；
  2. 希望将获取到的多个内容组合在一起返回的时候，要用’zip()’的代码来实现；
  3. 两层代码结构之间的关系如何构造；

这里有一个疑问：有时候一个标签可以有多个属性，不知道soup.find_all()能不能接受不止一个属性以缩小查找的范围。

# 引入库和请求头文件
import requests
from bs4 import BeautifulSoup
headers = {
    'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'
}

# 定义主体函数。函数主体由四部分组成：
#1.请求网址
#2.解析网页，形成可查找的html格式
#3.通过soup.select或者sopu.find_all查找需要的标签
#4.通过zip()代码将多个内容合并在一起

def get_content(url):
    res = requests.get(url,headers = headers)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text,'html.parser')
    contents = soup.find_all('div','bbs-content')
    authors = soup.find_all('a','js-vip-check')
    for author,content in zip(authors,contents):
        data = {
        'author':author.get_text().strip(),
        'content': content.get_text().strip()
    }
        print(data)
# 在这里构造一个两层链接结构：帖子的1、2、3、4页和帖子的详情页的关系在这里实现
if __name__ == '__main__':
    urls = ['http://bbs.tianya.cn/post-develop-2271894-{}.shtml'.format(str(i))  for i in range (1,5)] # 要注意，这里的‘5’是不包括在范围里的
    for url in urls:
        get_content(url)
    原文作者：zengdamo
    原文地址: https://segmentfault.com/a/1190000013311449
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞