Python如何實現爬蟲抓取論壇關鍵字

這期內容當中小編將會給大家帶來有關Python如何實現爬蟲抓取論壇關鍵字，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

這個項目總共分為兩步：

1.獲取所有帖子的鏈接：

將最近一個月內的帖子鏈接保存到數組中

2.從回帖中搜索演員名字：

從數組中打開鏈接，翻出該鏈接的所有回帖，在回帖中查找演員的名字

獲取所有帖子的鏈接：

搜索的范圍依然是以虎撲影視區為界限。虎撲影視區一天約5000個回帖，一月下來超過15萬回帖，作為樣本來說也不算小，有一定的參考價值。

完成這一步驟，主要分為以下幾步：

1.獲取當前日期

2.獲取30天前的日期

3.記錄從第一頁往后翻的所有發帖鏈接

1.獲取當前日期

這里我們用到了datetime模塊。使用datetime.datetime.now()，可以獲取當前的日期信息以及時間信息。在這個項目中，只需要用到日期信息就好。

2.獲取30天前的日期

用datetime模塊的優點在于，它還有一個很好用的函數叫做timedelta，可以自行計算時間差。當給定參數days=30時，就會生成30天的時間差，再用當前日期減去delta，可以得到30天前的日期，將該日期保存為startday，即開始進行統計的日期。不然計算時間差需要自行考慮跨年閏年等因素，要通過一個較為復雜的函數才可以完成。

today = datetime.datetime.now()
delta = datetime.timedelta(days=30)
i = "%s" %(today - delta)
startday = i.split(' ')[0]
today = "%s" %today
today = today.split(' ')[0]

在獲得開始日期與結束日期后，由于依然需要記錄每一天每個人的討論數，根據這兩個日期生成兩個字典，分別為actor1_dict與actor2_dict。字典以日期為key，以當日討論數目作為value，便于每次新增查找記錄時更新對應的value值。

strptime, strftime = datetime.datetime.strptime, datetime.datetime.strftime
days = (strptime(today, "%Y-%m-%d") - strptime(startday, "%Y-%m-%d")).days
for i in range(days+1):
temp = strftime(strptime(startday, "%Y-%m-%d") + datetime.timedelta(i), "%Y-%m-%d")
actor1_dict[temp] = 0
actor2_dict[temp] = 0

3.記錄從第一頁往后翻的所有發帖鏈接

​如圖1所示，采用發帖順序排列，可以得到所有的發帖時間（精確到分鐘）。右鍵并點擊查看網頁源代碼，可以發現當前帖子的鏈接頁面，用正則表達式的方式抓取鏈接。

首先依然是獲取30天前的日期，再抓取第i頁的源代碼，用正則表達式去匹配，獲取網頁鏈接和發帖時間。如圖2所示：

比較發帖時間，如果小于30天前的日期，則獲取發帖鏈接結束，返回當前拿到的鏈接數組，代碼如下

def all_movie_post(ori_url):
  i = datetime.datetime.now()
  delta = datetime.timedelta(days=30)
  i = "%s" %(i - delta)
  day = i.split(' ')[0] # 獲得30天前的日子
  print day
 
  user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
  headers = { 'User-Agent' : user_agent }
 
  post_list = []
  for i in range(1,100):
    request = urllib2.Request(ori_url + '-{}'.format(i),headers = headers)
    response = urllib2.urlopen(request)
    content = response.read().decode('utf-8')
    pattern = re.compile('<a href="(.*&#63;)" rel="external nofollow" class="truetit" >.*&#63;<a >(.*&#63;)</a>', re.S)
    items = re.findall(pattern,content)
    for item in items:
      if item[1] == '2011-09-16':
        continue
      if item[1] > day: #如果是30天內的帖子，保存
        post_list.append('https://bbs.hupu.com' + item[0])
      else: #如果已經超過30天了，就直接返回
        return post_list
  return post_list

函數的傳參是鏈接首頁，在函數中修改頁碼，并繼續搜索。

從回帖中搜索演員名字：

接下來的步驟也是通過一個函數來解決。函數的傳參包括上一步中得到的鏈接數組，已經想要查詢的演員名字（這個功能可以進一步擴展，將演員名字也用列表的形式傳輸，同時上一步生成的字典也可以多一些）。

由于虎撲論壇會將一些得到認可的回帖擺在前端，即重復出現。如圖3所示：

​為了避免重復統計，將這些重復先去除，代碼如下：

if i == 0:
        index = content.find('更多亮了的回帖')
        if index >= 0:
          content = content[index:]
        else:
          index = content.find('我要推薦')
          content = content[index:]

去除的規則其實并不重要，因為每個論壇都有自己的格式，只要能搞清楚源代碼中是怎么寫的，剩下的操作就可以自己根據規則進行。

每個回帖格式大致如圖4，

用對應的正則表達式再去匹配，找到每個帖子每一個回帖的內容，在內容中搜索演員名字，即一開始的actor_1與actor_2，如果搜到，則在對應回帖日期下+1。

最終將兩位演員名字出現頻率返回，按日期記錄的字典由于是全局變量，不需要返回。

web_str = '<span class="stime">(.*&#63;) .*&#63;</span>.*&#63;<tbody>[\s]*<tr>[\s]*<td>(.*&#63;)<br />' #找到回帖內容的正則
      pattern = re.compile(web_str, re.S)
      items = re.findall(pattern,content)
      for item in items:
        #if '<b>引用' in item: #如果引用別人的回帖，則去除引用部分
          #try:
            #item = item.split('</blockquote>')[1]
          #except:
            #print item
            #print item.decode('utf-8')
        if actor_1 in item[1]:
          actor1_dict[item[0]] += 1
          actor_1_freq += 1
        if actor_2 in item[1]:
          actor2_dict[item[0]] += 1
          actor_2_freq += 1

至此，我們就利用爬蟲知識，成功完成對論壇關鍵字的頻率搜索了。

這只是一個例子，關鍵字可以任意，這也不只是一個針對演員的誕生而寫的程序。將演員名字換成其他詞，就可以做到類似“您的年度關鍵字”這樣的結果，根據頻率大小來顯示文字大小。

上述就是小編為大家分享的Python如何實現爬蟲抓取論壇關鍵字了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。