一个简单的python爬虫,爬取知乎

一个简单的python爬虫,爬取知乎

• 主要实现 爬取一个收藏夹 里 所有问题答案下的 图片
• 文字信息暂未收录，可自行实现，比图片更简单
• 具体代码里有详细注释，请自行阅读

项目源码：

# -*- coding:utf-8 -*- from spider import SpiderHTMLfrom multiprocessing import Poolimport sys,urllib,http,os,random,re,time__author__ = 'waiting''''使用了第三方的类库 BeautifulSoup4，请自行安装需要目录下的spider.py文件运行环境：python3.4,windows7''' #收藏夹的地址url = 'https://www.zhihu.com/collection/30822111'  #page参数改为代码添加 #本地存放的路径,不存在会自动创建store_path = 'E:\\zhihu\收藏夹\\会员才知道的世界' class zhihuCollectionSpider(SpiderHTML):  def __init__(self,pageStart, pageEnd, url):    self._url = url    self._pageStart = int(pageStart)    self._pageEnd = int(pageEnd)+1    self.downLimit = 0            #低于此赞同的答案不收录   def start(self):    for page in range(self._pageStart,self._pageEnd):    #收藏夹的页数      url = self._url + '?page='+str(page)      content = self.getUrl(url)      questionList = content.find_all('div',class_='zm-item')      for question in questionList:            #收藏夹的每个问题        Qtitle = question.find('h3',class_='zm-item-title')        if Qtitle is None:                #被和谐了          continue         questionStr = Qtitle.a.string        Qurl = 'https://www.zhihu.com'+Qtitle.a['href']  #问题题目        Qtitle = re.sub(r'[\\/:*?"<>]','#',Qtitle.a.string)      #windows文件/目录名不支持的特殊符号        try:          print('-----正在获取问题:'+Qtitle+'-----')    #获取到问题的链接和标题，进入抓取        except UnicodeEncodeError:          print(r'---问题含有特殊字符无法显示---')        try:          Qcontent = self.getUrl(Qurl)        except:          print('!!!!获取出错!!!!!')          pass        answerList = Qcontent.find_all('div',class_='zm-item-answer  zm-item-expanded')        self._processAnswer(answerList,Qtitle)            #处理问题的答案        time.sleep(5)    def _processAnswer(self,answerList,Qtitle):    j = 0          for answer in answerList:      j = j + 1            upvoted = int(answer.find('span',class_='count').string.replace('K','000'))   #获得此答案赞同数      if upvoted < self.downLimit:        continue      authorInfo = answer.find('div',class_='zm-item-answer-author-info')        #获取作者信息      author = {'introduction':'','link':''}      try:        author['name'] = authorInfo.find('a',class_='author-link').string       #获得作者的名字        author['introduction'] = str(authorInfo.find('span',class_='bio')['title']) #获得作者的简介        author['link'] = authorInfo.find('a',class_='author-link')['href']            except AttributeError:        author['name'] = '匿名用户'+str(j)      except TypeError:                                  #简介为空的情况        pass                                     #匿名用户没有链接       file_name = os.path.join(store_path,Qtitle,'info',author['name']+'_info.txt')      if os.path.exists(file_name):              #已经抓取过        continue        self.saveText(file_name,'{introduction}\r\n{link}'.format(**author))      #保存作者的信息      print('正在获取用户`{name}`的答案'.format(**author))      answerContent = answer.find('div',class_='zm-editable-content clearfix')      if answerContent is None:                #被举报的用户没有答案内容        continue        imgs = answerContent.find_all('img')      if len(imgs) == 0:                    #答案没有上图        pass      else:        self._getImgFromAnswer(imgs,Qtitle,**author)   #收录图片  def _getImgFromAnswer(self,imgs,Qtitle,**author):    i = 0    for img in imgs:      if 'inline-image' in img['class']:          #不抓取知乎的小图        continue      i = i + 1      imgUrl = img['class="lazy" data-src']      extension = os.path.splitext(imgUrl)[1]      path_name = os.path.join(store_path,Qtitle,author['name']+'_'+str(i)+extension)      try:        self.saveImg(imgUrl,path_name)          #捕获各种图片异常，流程不中断      except:                          pass          #收录文字  def _getTextFromAnswer(self):    pass #命令行下运行，例：zhihu.py 1 5   获取1到5页的数据if __name__ == '__main__':  page, limit, paramsNum= 1, 0, len(sys.argv)  if paramsNum>=3:    page, pageEnd = sys.argv[1], sys.argv[2]  elif paramsNum == 2:    page = sys.argv[1]    pageEnd = page  else:    page,pageEnd = 1,1   spider = zhihuCollectionSpider(page,pageEnd,url)  spider.start()

很多初学者，对Python的概念都是模糊不清的，Python能做什么，学的时候，该按照什么线路去学习，学完往哪方面发展，想深入了解，详情可以点击有道云笔记链接了解：http://note.youdao.com/noteshare?id=e4fa02e7b56d7909a27674cdb3da08aa