那些年我把北京科技大学给爬下来了！然而越来越喜欢北科大！

概述   私信菜鸟007获取源码哦！ 我们的目标是关注帖子的标题名称，比如这个：“北邮人下载需要流量吗”，“请问一下学长学姐，全国大学生数学竞赛初赛全国一等奖在咱们学校”。

私信菜鸟007获取源码哦！

我们的目标是关注帖子的标题名称，比如这个： “北邮人下载需要流量吗” ， “请问一下学长学姐，全国大学生数学竞赛初赛全国一等奖在咱们学校” 。

还有就是我们肯定不能只爬取一页的信息，这里我们将要爬取前1000页的信息。

页面分析

首先我们打开Chrome开发者工具看一下列表如何解析。

这里我们选中一个标题名称后，可以直接看到一个 a 标签，它的class为 j_th_tit 。

所以使用以下代码就可以打印出所有的标题来。

进群：960410445   即可获取数十套pdf!

soup = BeautifulSoup(resp.content,"HTML.parser")items = soup.find_all("a",{"class","j_th_tit"})for a in items: Title = item.get_text() print(Title)

分页分析

页面分析完了之后就可以分析一下分页了，我们把小箭头晃到底部分页的位置。

可以发现分页对应的网址主要是pn的值不一样。第2页对应50，第3页对应100，第4页对应150。

也就是，

pn=(page−1)∗50这样的关系。

爬虫编写

完成以上的分析工作之后，就可以开始实现我们的爬虫了。

数据库 *** 作

首先是数据库的 *** 作，这里使用到 tIEba 数据库的 beike 集合。然后保存文档的话就直接insert就好了。

def init_collection(): clIEnt = pymongo.MongoClIEnt(host="localhost",port=27017) db = clIEnt['tIEba'] return db["beike"]def save_docs(docs): beike.insert(docs)beike = init_collection()

任务初始化

下面，我们不编写worker，而是先进行任务的初始化。

if __name__ == '__main__': crawler = SimpleCrawler(5) crawler.add_worker("worker",worker) for i in range(1,11): crawler.add_task({"ID": "worker","page": i}) crawler.start()

这里我们首先初始化 SimpleCrawler ，然后给添加 worker 以及 task 。

关于task，可以看到上面的代码通过循环，添加了10个任务，每个任务的page属性不一样。worker肯定是爬取某一页并解析加入数据库的代码，我们这里其实就是添加了爬取前10页的任务。

这里虽然也可以写直接添加爬取前1000页的任务，但是考虑到实际情况下任务可能会非常多，为了让任务队列不溢出，开始可以少添加一些。

Worker编写

接下来是 worker 的编写。

首先worker肯定要有三个基础部分：下载页面、解析页面、保存数据。除此之外，因为要爬取1000页，所以还要添加新的任务来爬取剩下的990。

这里可以判断当前页码+10是否大于1000，如果不大于的话把当前页码+10的网页添加到新的任务队列中。

def worker(queue,task,lock): offset = (task["page"] - 1) * 50 print("downloading: page %d" % task["page"]) # 1. 下载页面 resp = requests.get("http://tIEba.baIDu.com/f?kw=" "%E5%8C%97%E4%BA%AC%E7%A7%91%E6%8A%80%E5%A4%A7%E5%AD%A6&IE=utf-8&pn=" + str(offset)) soup = BeautifulSoup(resp.content,"HTML.parser") # 2. 解析页面 items = soup.find_all("a","j_th_tit"}) docs = [] for index,item in enumerate(items): docs.append({"page": task["page"],"index": index,"Title": item.get_text()}) print(task["page"],index,item.get_text()) # 3. 保存数据 with lock: save_docs(docs) # 4. 添加新任务 if (task["page"] + 10) > 1000: queue.put({"ID": "NO"}) else: queue.put({"ID": "worker","page": task["page"] + 10})

运行效果

以上就是爬虫的全部代码，运行后可以看到类型下面的结果。

通过以上代码大概爬了4万多条数据，之后的两章我们将把这些标题当做语料库，做一个简单的相关帖子推荐系统。

说明

网站可能会经常变化，如果上述爬虫不能用的话，可以爬取我保存下来的贴吧网页： http://nladuo.cn/beike_tIEba/1.HTML 。

分页的格式类似于1.HTML、2.HTML、…、1000.HTML。

总结

以上是内存溢出为你收集整理的那些年我把北京科技大学给爬下来了！然而越来越喜欢北科大！全部内容，希望文章能够帮你解决那些年我把北京科技大学给爬下来了！然而越来越喜欢北科大！所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。