当前位置 博文首页 > python 开心网和豆瓣日记爬取的小爬虫
https://github.com/aturret/python-crawler-exercise
用到了BeautifulSoup4，请先安装。
pip install beautifulsoup4
kaixin001.py
登录开心网，浏览器F12看http请求的header，获取自己的cookie。
填写cookie，要爬的日记的url，要爬的总次数。走你。
之后会生成HTML文件，格式是<:title>-<YYYYMMDDHHMMSS>
# -*- coding: utf-8 -*-
from urllib.request import urlopen
import urllib.request
import urllib.parse #为了获取HTTP response
from bs4 import BeautifulSoup #BS4
import string # 为了去掉空白字符
import time # 防止被杀cookie
import unicodedata # 字符修正
# 在这里放第一个链接
urlx = '链接' #写你想爬的文
def request(url):
global urlx #引用外面的链接作为全局变量，后面还会取下一个进行循环的
# 使用urllib库提交cookie获取http响应
headers = {
'GET https':url,
'Host':' www.kaixin001.com',
'Connection':' keep-alive',
'Upgrade-Insecure-Requests':' 1',
'User-Agent':' Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36',
'Accept':' application/json, text/javascript, */*; q=0.01',
'Accept-Language':' zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
'Cookie':' ', #改成自己的cookie，自己浏览器打开网站F12调试，自己找http请求的header
}
request = urllib.request.Request(url=url,headers=headers)
response = urllib.request.urlopen(request)
contents = response.read()
# 使用BS4获得所有HTMLtag
bsObj = BeautifulSoup(contents,"html.parser")
# 使用BS4的find函数得到想要的东西：标题、发表时间和博客正文
title = bsObj.find("b", attrs={"class":"f14"})
titleT = bsObj.find("b", attrs={"class":"f14"}).get_text() #开心网日记的标题是一个b标签，class属性值是f14
date = bsObj.find("span", attrs={"class":"c6"})
dateT = bsObj.find("span", attrs={"class":"c6"}).get_text() #开心网日记的发表时间是一个span标签，class属性值是c6
text = bsObj.find("div", attrs={"class":"textCont"})
textT = bsObj.find("div", attrs={"class":"textCont"}).get_text() #开心网日记的正文是一个div标签，class属性值是textCont
# 测试输出
print(title)
print(dateT)
# print(text)
# 生成HTML文件。这里直接用file.open()和file.write()了，也可以用jinja2之类的框架生成。
remove = string.whitespace+string.punctuation
table = str.maketrans(':','：',remove)
fileTitle=str(titleT).replace(':','：').replace('''"''','''“''')+'-'+str(dateT).translate(table).replace('发表','')+'.html'
print(fileTitle) #测试输出
f = open(fileTitle,'w',encoding="utf-8") #注意用utf-8编码写入，不然会因为一些旧博文采用的gbk编码不兼容而出问题。
# 写入message
message = """
<html>
<head></head>
<body>
<h1>%s</h1>
<b>%s</b>
<br></br>
%s
</body>
</html>"""%(title.get_text(),date.get_text(),unicodedata.normalize('NFD',text.prettify()))
f.write(message)
f.close()
# webbrowser.open(fileTitle,new = 1)
# 定位下一篇博文的URL
nextUrl=bsObj.find("a",text="下一篇 >").attrs["href"] #下一篇是一个a标签，使用tag对象的attrs属性取href属性的值。开心网的日记系统里，如果到了最后一篇日记，下一篇的链接内容是第一篇日记，所以不用担心从哪篇日记开始爬。
# print(nextUrl)
urlx="http://www.kaixin001.com"+nextUrl
print(urlx)
# 主循环，给爷爬
num=328 #设定要爬多少次。其实也可以写个数组检测重复然后中止的啦，但我懒得弄了。
for a in range(num):
request(urlx)
print('We get '+str(a+1)+' in '+str(num))
time.sleep(1) # 慢点，慢点。测试过程中出现了没有设置限制爬一半cookie失效了的情况，可能是太快了被搞了。
douban.py
登录豆瓣，浏览器F12看http请求的header，获取自己的cookie。
填写变量COOKIE，要爬的日记页的url。走你。
之后会生成HTML文件，格式是<:title>-<YYYYMMDDHHMMSS>
# -*- coding: utf-8 -*-
from urllib.request import urlopen
import urllib.request
import urllib.parse #为了获取HTTP response
from bs4 import BeautifulSoup #BS4
import string # 为了去掉空白字符
import unicodedata # 字符修正
import re
# 在这里放链接
url = '' #写你想爬的人 https://www.douban.com/people/xxx/notes 这样
COOKIE = ''
def request(urlx):
global url #引用外面的链接作为全局变量，后面还会取下一个进行循环的
global boolean
global COOKIE
# 使用urllib库提交cookie获取http响应
headers = {
'GET https':urlx,
'Host':' www.douban.com',
'Connection':' keep-alive',
'Upgrade-Insecure-Requests':' 1',
'User-Agent':' Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36',
'Accept':' application/json, text/javascript, */*; q=0.01',
'Accept-Language':' zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
'Cookie':COOKIE, #改成自己的cookie，自己浏览器打开网站F12调试，自己找http请求的header
}
request = urllib.request.Request(url=urlx,headers=headers)
response = urllib.request.urlopen(request)
contents = response.read()
# 使用BS4获得所有HTMLtag
bsObj = BeautifulSoup(contents,"html.parser")
# 使用BS4的find函数获取当前页面的所有日记链接
article = bsObj.find("div", attrs={"class":"article"})
titleSet = article.findAll("h3")
# print(titleSet)
for title in titleSet:
titleText = title.findAll("a",attrs={"class":"j a_unfolder_n"})
for link in titleText:
noteUrl = str(link.attrs["href"])
print(noteUrl)
requestSinglePage(noteUrl)
next = bsObj.find("a",text="后页>")
if next==None:
print("结束了")
boolean=1
else:
url = str(next.attrs["href"]).replace("&type=note","")
print(url)
def requestSinglePage(urly):
global COOKIE
headers = {
'GET https':urly,
'Host':' www.douban.com',
'Connection':' keep-alive',
'Upgrade-Insecure-Requests':' 1',
'User-Agent':' Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36',
'Accept':' application/json, text/javascript, */*; q=0.01',
'Accept-Language':' zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
'Cookie':COOKIE, #改成自己的cookie，自己浏览器打开网站F12调试，自己找http请求的header
}
request = urllib.request.Request(url=urly,headers=headers)
response = urllib.request.urlopen(request)
contents = response.read()
# 使用BS4获得所有HTMLtag
bsObj = BeautifulSoup(contents,"html.parser")
# 使用BS4的find函数得到想要的东西：标题、发表时间和博客正文
title = bsObj.find("h1").get_text()
date = bsObj.find("span", attrs={"class":"pub-date"})
dateT = bsObj.find("span", attrs={"class":"pub-date"}).get_text()
text = bsObj.find("div", attrs={"id":"link-report"})
# textT = bsObj.find("div", attrs={"class":"textCont"}).get_text()
# 测试输出
print(title)
print(dateT)
# 生成HTML文件。这里直接用file.open()和file.write()了，也可以用jinja2之类的框架生成。
remove = string.whitespace+string.punctuation # 去掉日期的标点符号
table = str.maketrans(':','：',remove)
fileTitle=str(title)+'-'+str(dateT).translate(table)+'.html'
print(fileTitle) #测试输出
f = open(fileTitle,'w',encoding="utf-8") #注意用utf-8编码写入，不然会因为一些旧博文采用的gbk编码不兼容而出问题。
# 写入message
message = """
<html>
<head></head>
<body>
<h1>%s</h1>
<b>%s</b>
<br></br>
%s
</body>
</html>"""%(title,dateT,unicodedata.normalize('NFD',text.prettify()))
f.write(message)
f.close()
# 主循环，给爷爬
boolean=0
while(boolean==0):
a=1
request(url)
print('We finished page '+str(a)+' .')
a+=1
豆瓣四月份时候还有bug，手机端可以看到全部日记，半年隐藏无效。最近修好了。
不过现在的隐藏依然没有针对到具体的日记，或许可以想办法通过其他手段爬下来。
jsjbwy