Python實現(xiàn)爬取知乎神回復簡單爬蟲代碼分享

更新時間：2015年01月04日 08:56:35 投稿：junjie

這篇文章主要介紹了Python實現(xiàn)爬取知乎神回復簡單爬蟲代碼分享,本文實現(xiàn)了爬取知乎的“如何正確地吐槽”收藏夾,是對個人的一個興趣實現(xiàn),需要的朋友可以參考下

看知乎的時候發(fā)現(xiàn)了一個 “如何正確地吐槽” 收藏夾，里面的一些神回復實在很搞笑，但是一頁一頁地看又有點麻煩，而且每次都要打開網頁，于是想如果全部爬下來到一個文件里面，是不是看起來很爽，并且隨時可以看到全部的，于是就開始動手了。

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(guī)律的，page慢慢遞增，這樣就能夠實現(xiàn)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，回答僅限于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。。），再說答案不全的話爬來也沒用，所以就不爬答案不全的了吧。

好，那么下面我們要找到他們在網頁源代碼中的位置：

即我們找到問題的內容包含在<h2 class = "zm-item-title"><a tar...>中，那么我們等會就可以在這個標簽里面找問題。

然后是回復：

有兩個地方都有回復的內容，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，因為那個里面的內容純正無污染。

代碼

好，這時候我們試著寫出python代碼：

復制代碼代碼如下:

# -*- coding: cp936 -*-
import urllib2
from BeautifulSoup import BeautifulSoup

f = open('howtoTucao.txt','w') #打開文件

for pagenum in range(1,21): #從第1頁爬到第20頁

    strpagenum = str(pagenum)      #頁數(shù)的str表示
    print "Getting data for Page " + strpagenum   #shell里面顯示的，表示已爬到多少頁
    url = " #網址
    page = urllib2.urlopen(url)     #打開網頁
    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()                           #關閉文件