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(wǎng)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(wǎng)頁

我們先來看看知乎上該網(wǎng)頁的情況

網(wǎng)址： ，容易看到，網(wǎng)址是有規(guī)律的，page慢慢遞增，這樣就能夠?qū)崿F(xiàn)全部爬取了。

再來看一下我們要爬取的內(nèi)容：

我們要爬取兩個內(nèi)容：問題和回答，回答僅限于顯示了全部內(nèi)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(wǎng)頁源代碼中的位置：

即我們找到問題的內(nèi)容包含在

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(nèi)容，因為上面那個的內(nèi)容還包括了 等一些內(nèi)容，不方便處理，我們爬下面那個的內(nèi)容，因為那個里面的內(nèi)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 = "http://www.zhihu.com/collection/27109279?page="+strpagenum? #網(wǎng)址
??? page = urllib2.urlopen(url)???? #打開網(wǎng)頁
??? soup = BeautifulSoup(page)????? #用BeautifulSoup解析網(wǎng)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 ，所以要each.a.string取出內(nèi)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

代碼雖然不常，可是寫了我半天，開始各種出問題。

運行

然后我們運行就可以爬了：

結果

等運行完畢，我們打開文件howtoTucao.txt，可以看到，這樣就爬取成功了。只是格式可能還是有點問題，原來是我No Answer沒加換行，所以No Answer還會混到文本里面去，加兩個換行就可以了。