Python 簡單爬蟲 爬取知乎神回複

標籤：

      看知乎的時候發現了一個 “如何正確地吐槽” 收藏夾，裡面的一些神回複實在很搞笑，但是一頁一頁地看又有點麻煩，而且每次都要開啟網頁，於是想如果全部爬下來到一個檔案裡面，是不是看起來很爽，並且隨時可以看到全部的，於是就開始動手了。

工具

1.Python 2.7

2.BeautifulSoup

分析網頁

我們先來看看知乎上該網頁的情況：

網址： ，容易看到，網址是有規律的，page慢慢遞增，這樣就能夠實現全部爬取了。

再來看一下我們要爬取的內容： 

我們要爬取兩個內容：問題和回答，回答僅限於顯示了全部內容的回答，如下面這種就不能爬取，因為好像無法展開（反正我不會。。）：

 

 

好，那麼下面我們要找到他們在網頁原始碼中的位置：

 

即我們找到問題的內容包含在<h2 class = "zm-item-title"><a tar...>中，那麼我們等會就可以在這個標籤裡面找問題。

然後是回複：

有兩個地方都有回複的內容，因為上面那個的內容還包括了<span..>等一些內容，不方便處理，我們爬下面那個的內容，因為那個裡面的內容純正無汙染。

代碼

好，這時候我們試著寫出python代碼：

# -*- coding: cp936 -*-import urllib2from BeautifulSoup import BeautifulSoupf = open(‘howtoTucao.txt‘,‘w‘)     #開啟檔案for pagenum in range(1,21):        #從第1頁爬到第20頁    strpagenum = str(pagenum)      #頁數的str表示    print "Getting data for Page " + strpagenum   #shell裡面顯示的，表示已爬到多少頁    url = "http://www.zhihu.com/collection/27109279?page="+strpagenum  #網址    page = urllib2.urlopen(url)     #開啟網頁    soup = BeautifulSoup(page)      #用BeautifulSoup解析網頁        #找到具有class屬性為下面兩個的所有Tag    ALL = soup.findAll(attrs = {‘class‘ : [‘zm-item-title‘,‘zh-summary summary clearfix‘] })    for each in ALL :               #枚舉所有的問題和回答        #print type(each.string)        #print each.name        if each.name == ‘h2‘ :      #如果Tag為h2類型，說明是問題            print each.a.string     #問題中還有一個<a..>，所以要each.a.string取出內容            if each.a.string:       #如果非空，才能寫入                f.write(each.a.string)            else :                  #否則寫"No Answer"                f.write("No Answer")        else :                      #如果是回答，同樣寫入            print each.string            if each.string:                 f.write(each.string)            else :                f.write("No Answer")f.close()                           #關閉檔案

代碼雖然不常，可是寫了我半天，開始各種出問題。

運行

然後我們運行就可以爬了：

 

結果

等運行完畢，我們開啟檔案howtoTucao.txt，可以看到，這樣就爬取成功了。只是格式可能還是有點問題，原來是我No Answer沒加換行，所以No Answer還會混到文本裡面去，加兩個換行就可以了。

                                                                                  

Python 簡單爬蟲 爬取知乎神回複