[Scrapy爬虫实战]Discuz论坛版块内全部帖子获取
先插入封面(老惯例了)
高清无码PDF见:
链接：https://pan.baidu.com/s/1qD0IBElUFTFv0F34QV6vIA
提取码：0e6n
项目源码见:
链接：https://pan.baidu.com/s/1OF5EUFTCuv4n_6GJ_MCv-g
提取码：p666
如果你想了解更过关于Python爬虫的相关知识建议(不要来问我,我也是新手)
欢迎加入群聊【来自裴同学的问候(1006320973)】：点击此链接或搜索QQ群号码https://jq.qq.com/?_wv=1027&k=RZs0P4LO
正文开始:
Discuz 论坛模块全部帖子和评论爬取
Discuz 是一款由PHP编写的开源论坛
Discuz 官方论坛: https://www.discuz.net/forum.php
要爬取的页面地址:
Discuz BUG与问题交流板块;https://www.discuz.net/forum-70-1.html
创建工程
ps: 和其他字不一样颜色的是我执行的命令
scrapy startproject discuz
C:\Users\PeiJingbo\Desktop\discuz>scrapy startproject discuz
New Scrapy project 'discuz', using template directory 'c:\program files\python37\lib\site-packages\scrapy\templates\project', created in:
C:\Users\PeiJingbo\Desktop\discuz\discuz
You can start your first spider with:
cd discuz
scrapy genspider example example.com
C:\Users\PeiJingbo\Desktop\discuz>
进入生成的目录
cd discuz
创建爬虫
找个文件夹 执行
scrapy genspider discuz_spider discuz,net
C:\Users\PeiJingbo\Desktop\discuz\discuz>scrapy genspider discuz_spider discuz,net
Created spider 'discuz_spider' using template 'basic' in module:
discuz.spiders.discuz_spider
打开工程
应该打开创建项目命令生成的那个目录 如果选择再下层目录 就不能导模块了
修改配置
settings,py
ROBOTSTXT_OBEY = False # 不遵循ROBOTS协议
DEFAULT_REQUEST_HEADERS = { # 设置默认请求头
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
'user-agent': ' Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36'
}
ITEM_PIPELINES = { # 启用 PIPELINES
'discuz.pipelines.DiscuzPipeline': 300,
}
DOWNLOAD_DELAY = 0.1 # 下载延时
存储
item.py
# 每一条帖子的信息
class Post(scrapy.Item):
pid = scrapy.Field()
author = scrapy.Field()
title = scrapy.Field()
time = scrapy.Field()
url = scrapy.Field()
post_list = scrapy.Field()
# 每一条帖子评论的信息
class PostItem(scrapy.Item):
iid = scrapy.Field()
author = scrapy.Field()
time = scrapy.Field()
content = scrapy.Field()
pipelines.py
class DiscuzPipeline:
# 计数变量
number = 0
# 爬虫初始化
def __init__(self):
# 打开文件
self.fp = open("data.json", 'wb')
# 存储json的格式
self.save_json = JsonItemExporter(self.fp, encoding="utf-8", ensure_ascii=False, indent=4)
# 开始存储
self.save_json.start_exporting()
def close_spider(self, spider):
# 关闭爬虫时 写入所有数据
self.save_json.finish_exporting()
# 关闭文件
self.fp.close()
print("共爬取 %d 项数据" % self.number)
def process_item(self, item, spider):
# 爬取到每一项
print(self.number)
self.number += 1
# 转为json写入item
self.save_json.export_item(item)
return item
开始爬取 (单页面)
spider/discuz_spider.py
1 先要获取当前页面的所有帖子的url 通知爬取帖子的函数去处理
# 此页面中所有帖子的列表
tbody = response.xpath("//table[@id='threadlisttableid']/tbody")
2. 遍历每一项取出其中的信息 其中每一个元素标签上都有一个唯一的id 作为帖子的id 但第一项2没有
for tb in tbody:
# 取出这个元素的id 字符串p_id_str = tb.xpath("./@id").get()
# 通过正则表达式取出数字id 这就是这个帖子的id
p_id_match = re.match(r"normalthread_(\d+)", p_id_str)
# 开头有一项是不带id的空项 为了跳过做判断
if not p_id_match:
continue# 取出数字id
p_id = p_id_match.group(1)# 获取作者
author = tb.xpath("./tr/td[2]//a/text()").get()
# 获取页面url
url = response.urljoin(tb.xpath("./tr/th/a[@class='s xst']/@href").get())
其中时间有两种状态 第一种是 写着几天前 或者是几小时前这种 在文字标签有title属性就是具体日期
第二张就是直接是直接为时间 判断如果第一种取出为空则取第二种
# 获取时间 有两种状态time = tb.xpath(".//tr/td[2]/em/span/span/@title").get()
if not time:
time = tb.xpath(".//tr/td[2]/em/span/text()").get()
通知下一个函数去爬取具体内容 并将帖子的基本信息传递过去
# 通知下面函数进行爬取yield scrapy.Request(url, meta={"id": p_id, "url": url, "author": author, "time": time},callback=self.getPost)
3. 爬取帖子具体内容
# 取出已经准备好的信息p_id = response.meta["id"]
p_author = response.meta["author"]
p_time = response.meta["time"]
p_url = response.meta["url"]
# 获取帖子标题
p_title = response.xpath("//*[@id='thread_subject']/text()").get()
其中所有的内容都是以列表的形式展现的 结构一致
# 获取评论列表content_list = response.xpath(".//*[@id='postlist']/div")
遍历帖子列表
# 准备存放所有评论的列表
p_content_list = []for c in content_list:
# 评论编号
cid_match = re.match(r"post_(\d+)", c.xpath("./@id").get())
if not cid_match:
continue
# 取出数字编号
cid = cid_match.group(1) # 评论作者
author = c.xpath(".//div[@id='favatar" + cid + "']//a[@class='xw1']/text()").get()
时间信息同样有两种状态 第二种带有 "发表于 " 字样
# 评论时间 同样有两种状态
c_time = c.xpath(".//*[@id='authorposton" + cid + "']/span/@title").get()
if not c_time:
c_time = str(c.xpath(".//*[@id='authorposton" + cid + "']/text()").get()).strip().replace("发表于 ", '')# 评论内容
content = c.xpath("string(.//div[@class='t_fsz'])").get()
存储
# 构造一个评论元素
post_item = PostItem(iid=cid, author=author, time=c_time, content=content)
# 添加到列表
p_content_list.append(post_item)
列表遍历完成
# 传递到pipelines
new_post = Post(pid=p_id, author=p_author, title=p_title, time=p_time, post_list=p_content_list, url=p_url)
# 传递给pipelines
yield new_post
多页面爬取
获取下一页的url 定义一个类的变量来记录页数
# 每爬取一页加一self.page += 1
# 获取下一个页面的url
next_url = response.xpath(".//div[@id='pgt']/span[@id='fd_page_top']/div[@class='pg']/a[@class='nxt']/@href").get()
# 如果没有下一个按钮则退出程序
# 这个列表有两千多项,,,加了个200的结束条件
if not next_url or self.page >= 500:
return
# 将下一页url与主机名和协议进行组合
next_url = response.urljoin(next_url)
# 通知自己去请求下一页
yield scrapy.Request(url=next_url, callback=self.parse)
