网络爬虫学习日志（四）

最新推荐文章于 2022-10-20 09:21:56 发布

behrends

最新推荐文章于 2022-10-20 09:21:56 发布

阅读量266

点赞数

CC 4.0 BY-SA版权

分类专栏：爬虫

本文链接：https://blog.youkuaiyun.com/behrends/article/details/90259812

爬虫专栏收录该内容

6 篇文章

订阅专栏

Task4需在2天内完成实战大项目，即模拟登录丁香园论坛，抓取论坛页面所有人员基本信息与回复帖子内容，给出了丁香园论坛链接及参考资料链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Task4（2天）

4.1 实战大项目

实战大项目：模拟登录丁香园，并抓取论坛页面所有的人员基本信息与回复帖子内容。
丁香园论坛：http://www.dxy.cn/bbs/thread/626626#626626 。

参考资料：https://blog.youkuaiyun.com/nao77/article/details/88316754

import requests, json, re, random,time
from bs4 import BeautifulSoup
from selenium import webdriver
from lxml import etree

class getUrl(object):
	def __init__(self):
		self.headers={'User-Agent':'Mozilla/5.0 (Windows NT 6.1;Win64;x64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
	def run(self):
		browser = webdriver.Chrome()
		browser.get('https://auth.dxy.cn/accounts/login?service=http://www.dxy.cn/bbs/index.html')
		time.sleep(1)
		
		js1 = 'document.querySelector("#j_loginTab1").style.display="none";'
		browser.execute_script(js1)
		time.sleep(1)
		js2 = 'document.querySelector("#j_loginTab2").style.display="block";'
		browser.execute_script(js2)
	
		input_name = browser.find_element_by_name('username')
		input_name.clear()
		input_name.send_keys('1******3')
		input_pass = browser.find_element_by_name('password')
		input_pass.clear()
		input_pass.send_keys('w******8')
		browser.find_element_by_xpath('//*[@class="form__button"]/button').click()

		time.sleep(10)
		cookie = browser.get_cookies()
		cookie_dict = {i['name']:i['value'] for i in cookie}
		browser.get("http://www.dxy.cn/bbs/thread/626626#626626"); 
		html = browser.page_source
		tree = etree.HTML(html)
		user = tree.xpath('//div[@id="postcontainer"]//div[@class="auth"]/a/text()')
		content = tree.xpath('//td[@class="postbody"]')
		for i in range(0,len(user)):
			result = user[i].strip()+":"+content[i].xpath('string(.)').strip()
			
			dir_file = open("DXY_records.txt",'a', encoding="utf-8")
			dir_file.write(result+"\n")
			dir_file.write('*' * 80+"\n")
			dir_file.close()
		print('success')


if __name__ == '__main__':
	geturl = getUrl()
	geturl.run()