python爬取知乎标题_python爬虫 爬取知乎文章标题及评论

目的:学习笔记

2154468-20201110175546386-764350258.png

2.首先我们试着爬取下来一篇文章的评论,通过搜索发现在 response里面我们并没有匹配到评论,说明评论是动态加载的。

2154468-20201110175837853-1434869187.png

3.此时我们清空请求,收起评论,再次打开评论

4.完成上面操作后,我们选择XHR,可以发现点击评论的时候发送了3个请求。

5.我们点击带comments的请求,然后在response里搜索可以匹配到评论,返回的是json数据,说明评论请求是这条没错了

2154468-20201110180020541-242762903.png

请求链接在上图,现在咱先不管请求链接的组合规则是什么,继续往下

6.接下来 打开json.cn,复制response里的json数据粘贴进去

2154468-20201110180125051-2061345341.png

7。分析json数据,一个object包含一条评论的所有信息,比如评论人,评论内容等等,我们需要写代码从里面把相关的信息搞出来。

2154468-20201110180158901-607548728.png

8.现在我们知道了请求链接url=https://www.zhihu.com/api/v4/articles/258812959/root_comments?order=normal&limit=20&offset=20&status=open'

请求方式为:request

可以开始写代码获取相关信息了

代码:

import requests

import json

url = 'https://www.zhihu.com/api/v4/articles/258812959/root_comments?order=normal&limit=20&offset=20&status=open'

Headers = {

'User-Agent': "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36",

"referer": "https://www.zhihu.com/"

}

res=requests.get(url,headers=Headers).content.decode('utf-8')

jsonfile=json.loads(res)

next_page=jsonfile['paging']['is_end']

print(next_page)

for data in jsonfile['data']:

id=data['id']

content=data['content']

author=data['author']['member']['name']

print(id,content,author)

打印效果:

2154468-20201110180558635-1010244169.png

9.至此,我们打印了知乎上面第一页,第一个话题,第一页评论,下面我们来思考怎么抓取该话题的所有评论。

10.我们点击第二页 获取到请求url=https://www.zhihu.com/api/v4/answers/1307614528/root_comments?order=normal&limit=20&offset=20&status=open

对比第一页的url1=https://www.zhihu.com/api/v4/answers/1307614528/root_comments?order=normal&limit=20&offset=0&status=open

可以发先offset由0变成了20,继续分析后面页面可得每过一页offset便加20。

那么一直加20什么时候会是个头呢,这时我们翻到最后一页,分析最后一页的json数据发现

is_end的值为Ture,所以我们可以用一个while循环,当is_end==Ture时 break掉就行

2154468-20201110180720432-1758271444.png

11.代码:

import requests

import json

from lxml import etree

import re

i=0

while True:

url='https://www.zhihu.com/api/v4/articles/258812959/root_comments?order=normal&limit=20&offset={}&status=open'.format(i)

i+=20

Headers = {

'User-Agent': "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36",

"referer": "https://www.zhihu.com/"

}

res = requests.get(url=url, headers=Headers).content.decode('utf-8')

jsonfile=json.loads(res)

next_page=jsonfile['paging']['is_end']

print(next_page)

comp = re.compile('?\w+[^>]*>')

for data in jsonfile['data']:

content=comp.sub("",data['content'])

author=data['author']['member']['name']

print("昵称---"+author,"评论:"+content)

if next_page==True:

break

通过分析可以看出只有前面那串数字不一样,于是可以得出前面那串数字是控制不同话题的

13.接下来我们从话题来找关联,发先能在response里面匹配到信息,于是我打算动手直接写代码把相关信息提前出来

2154468-20201110184721627-481886909.png

代码:

import requests,json

from lxml import etree

Headers = {

'User-Agent': "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36",

"cookie": '''_zap=3935ec64-2d91-4666-903c-a641b2510b18; d_c0="AOBcn_xhAxKPToowOy9HNL3DgDozDHDt63I=|1602244658"; capsion_ticket="2|1:0|10:1604449780|14:capsion_ticket|44:YjAwODdlMjcxNzY4NGYwODlmNjgxMzYyNWFkZDJlYTI=|6312ca79725710f1810a97a1fe3c4bbd6d16d02f769891626a67124cba7dd1f9"; z_c0="2|1:0|10:1604449808|4:z_c0|92:Mi4xVnlXQUNBQUFBQUFBNEZ5Zl9HRURFaVlBQUFCZ0FsVk5FRVNQWUFDOUlsV1pKa2hZUTdvc1U5Z1cxbTluajk5UW5n|dc09f94f0b3e78d3d80f6d18da39109a38b3357154e275642bec5e4afa4c825b"; tst=r; q_c1=097e8b52467b4017a4f27f26dd8622c2|1604625864000|1604625864000; _xsrf=88ef577a-c34c-49a1-8a13-faf8cd85c55a; KLBRSID=4843ceb2c0de43091e0ff7c22eadca8c|1605003647|1604996383''',

"referer": "https://www.zhihu.com/"

}

url1='https://www.zhihu.com/'

res=requests.get(url1,headers=Headers).text

html=etree.HTML(res)

divs = html.xpath('''//div[@class="Card TopstoryItem TopstoryItem--old TopstoryItem-isRecommend"]''')

for div in divs:

title=div.xpath('.//h2//a[@target="_blank"]/text()')[0]

link=div.xpath('.//h2//a[@target="_blank"]/@href')[0]

link_num=link.split('/')[-1]

print(link_num)

运行结果:

2154468-20201110184804927-1076845904.png

14.如上面结果可以发现link_num刚好是可以控制话题滴。

于是开始写代码:

import requests,json

from lxml import etree

headers = {

'User-Agent': "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.79 Safari/537.36",

"cookie": '''_zap=3935ec64-2d91-4666-903c-a641b2510b18; d_c0="AOBcn_xhAxKPToowOy9HNL3DgDozDHDt63I=|1602244658"; capsion_ticket="2|1:0|10:1604449780|14:capsion_ticket|44:YjAwODdlMjcxNzY4NGYwODlmNjgxMzYyNWFkZDJlYTI=|6312ca79725710f1810a97a1fe3c4bbd6d16d02f769891626a67124cba7dd1f9"; z_c0="2|1:0|10:1604449808|4:z_c0|92:Mi4xVnlXQUNBQUFBQUFBNEZ5Zl9HRURFaVlBQUFCZ0FsVk5FRVNQWUFDOUlsV1pKa2hZUTdvc1U5Z1cxbTluajk5UW5n|dc09f94f0b3e78d3d80f6d18da39109a38b3357154e275642bec5e4afa4c825b"; tst=r; q_c1=097e8b52467b4017a4f27f26dd8622c2|1604625864000|1604625864000; _xsrf=88ef577a-c34c-49a1-8a13-faf8cd85c55a; KLBRSID=4843ceb2c0de43091e0ff7c22eadca8c|1605003647|1604996383''',

"referer": "https://www.zhihu.com/"

}

url1='https://www.zhihu.com/'

res=requests.get(url1,headers=headers).text

html=etree.HTML(res)

divs = html.xpath('''//div[@class="Card TopstoryItem TopstoryItem--old TopstoryItem-isRecommend"]''')

for div in divs:

title=div.xpath('.//h2//a[@target="_blank"]/text()')[0]

link=div.xpath('.//h2//a[@target="_blank"]/@href')[0]

link_num=link.split('/')[-1]

i=0

print(f'.........................................标题为:{title} ...........................................................')

while True:

url2='https://www.zhihu.com/api/v4/answers/{}/root_comments?order=normal&limit=20&offset={}&status=open'.format(link_num,i)

i += 20

print(f'正在打印第{i / 20}页。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。')

res = requests.get(url2, headers=headers).content.decode('utf-8')

jsonfile = json.loads(res)

next_page = jsonfile['paging']['is_end']

# print(next_page)

for data in jsonfile['data']:

id = data['id']

content = data['content']

author = data['author']['member']['name']

print(f'{author}评价:{content}')

if next_page == True:

break

运行结果截图:

2154468-20201110184851430-1423498983.png

至此完成了第一页全话题 全评论的爬取.

写道这里发现知乎的话题也是动态加载的并不需要翻页,很多数据都是通过json传入,而且需要传入cookie才可以进行爬取

最后:代码写的不够完善至少加强自己对爬虫的理解,有些地方需添加异常处理的。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/355548.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

php curl 要安装pear,MacOS 安装pear

1、下载Pearcurl -O https://pear.php.net/go-pear.phar2、安装Pearsudo php -d detect_unicode0 go-pear.phar安装过程需要进行简单的配置,如下Below is a suggested file layout for your new PEAR installation. Tochange individual locations, type the number…

CentOS7 下调教mysql记实 之一

迁移数据库时遇到错误: Error Code: 1418. This function has none of DETERMINISTIC, NO SQL, or READS SQL DATA in its declaration and binary logging is enabled (you *might* want to use the less safe log_bin_trust_function_creators variable) 解释&…

java 映射数组_Java中的数组,列表,集合,映射,元组,记录文字

java 映射数组有时,当我对JavaScript的强大功能和表现力感到兴奋时,我发现自己错过了Java世界中的一两个功能。 除了lambda表达式/闭包或任何您想称为“匿名函数”的东西之外,它还对数组,数组,列表,集合&am…

知道接口地址 如何传数据_如何选显示器连接线?四种主流接口要知道

前两天家里电脑显示器的线坏了,火急火燎的买了根线,谁知道买回来之后接口不匹配,不能用。显示器为什么要有这么多接口呢?这些接口又有什么区别呢?必须把它搞清楚!这不,经过我的不屑努力&#xf…

docker rabbitmq php扩展,Docker开启RabbitMQ延时消息队列

前言经常在开发中会遇到一些不需要同步执行的业务,那我们就需要用到消息队列来进行异步执行,但是对于某些业务就还需要用到延时的功能,比如订单支付超时关闭,那么这个时候我们就需要开启消息队列的延时功能,当然也有朋…

[转]Eclipse插件开发之基础篇(3) 插件的测试与调试

原文地址:http://www.cnblogs.com/liuzhuo/archive/2010/08/17/eclipse_plugin_1_1_2.html 1. 使用JUnit对插件进行测试 Eclipse中已经嵌入了JUnit,我们可以使用JUnit为插件进行单体测试。一般的JUnit是不可以对插件部分(对Eclipse的API依赖的部分)进行测…

您应该考虑将应用程序升级到Spring 4的5个理由

Spring Framework于2004年首次发布,是顶级Java框架之一。 Spring 4已于2013年12月发布,它是支持Java 8的第一个框架版本。了解为什么应该考虑将应用程序升级到Spring 4。 注意:我最初将此博客文章写在公司博客http://blog.goyello.com上 。 …

大整数乘法c语言代码_大整数乘法

大整数乘法和我们小学学过的乘法公式一样&#xff08;如下图&#xff09;&#xff0c;就是按位相乘&#xff0c;两个数中的每一位彼此相乘&#xff0c;然后将相同列的结果加起来&#xff0c;最后统一处理进位即可。#include <iostream> #include <cstring> using n…

13.5.SolrCloud集群使用手册之数据导入

转载请出自出处:http://www.cnblogs.com/hd3013779515/ 1.使用curl命令方式 SolrCloud时会根据路由规则路由到各个shard。 删除所有数据 curl http://192.168.137.171:8080/solr-cloud/myc_shard1_replica1/update?committrue -H "Content-Type: text/xml" --data-b…

dematel matlab,决策与实验室方法,DEMATEL分析方法介绍

DEMATEL实施步骤第一步&#xff1a;从研究目的出发&#xff0c;确定研究指标或元素。量化各元素之间的相互关系。得到直接影响矩阵。第二步&#xff1a;通过归一化原始关系矩阵。得到规范直接影响矩阵。第三步&#xff1a;由规范化直接影响矩阵。计算得到综合影响矩阵。。第四步…

python如何打印字符串_如何在Python中打印“漂亮”字符串输出

Standard Python string formatting就足够了。 # assume that your data rows are tuples template "{0:8}|{1:10}|{2:15}|{3:7}|{4:10}" # column widths: 8, 10, 15, 7, 10 print template.format("CLASSID", "DEPT", "COURSE NUMBER&qu…

mysql5.7环境,MySQL-5.7-线上生产环境部署

环境信息&#xff1a;Centos-7.2.1511MySQL 5.7.22业务名称core本篇文章数据库安装用于线上生成所使用&#xff0c;所安装的数据库使用为Percona版本&#xff0c;同样本站高可用部署都是基于本篇文章基础进行的。部署搭建&#xff1a;安装相关依赖并下载MySQL移动到指定目录yum…

primefaces_懒惰的JSF Primefaces数据表分页–第2部分

primefaces页面代码非常简单&#xff0c;没有复杂性。 检查“ index.xhtml”代码&#xff1a; <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns"…

龙芯2h芯片不能进入pmon_“龙芯”18年:这个团队,终结了中国计算机产业的“无芯”历史...

近期在第二届数字中国建设峰会上展出的国产芯片龙芯3号。芯片是信息产业的灵魂&#xff0c;通用CPU(中央处理器)可以说是芯片中的“珠峰”。自主研发CPU&#xff0c;难度很大。在这个故事的起点&#xff0c;2001年8月的一个清晨&#xff0c;当龙芯第一代产品龙芯1号成功启动操作…

帝国cms录入表单模板php,帝国cms7.5在线表单提交制作教程

最近春哥仿站团队接到很多仿站客户订单&#xff0c;这里面有一个这样的功能&#xff0c;表单提交。今天花时间写个教程给大家。另外我们春哥仿站团队推出低价仿站业务&#xff0c;市面上99%的企业站点都能制作出来&#xff0c;有需要的联系我们。今天春哥团队华哥给大家讲解一下…

golang linux安装

go在linux下的安装&#xff1a; [rootlocalhost src]# wget https://storage.googleapis.com/golang/go1.8.1.linux-amd64.tar.gz 速度还挺快的 [rootlocalhost src]# tar -C /usr/local -xzf go1.8.1.linux-amd64.tar.gz 设置环境变量 [rootlocalhost src]# export PATH$PATH:…

使用反应流作为Drools的数据源

几个月前&#xff0c;我们开始重新设计Drools最低级别的可执行模型 &#xff0c;并使最终用户可以使用Java 8 API进行访问。 为了证明这种方法的灵活性&#xff0c;我尝试将其与反应流集成在一起&#xff0c;尤其是将该流用作Drools的数据源。 为了说明这是如何工作的&#xf…

java jsonobject 转对象_解析JSON中JSONObject的高级使用

文末会有读者福利简介:在程序开发过程中&#xff0c;在参数传递&#xff0c;函数返回值等方面&#xff0c;越来越多的使用JSON。JSON(JavaScript Object Notation)是一种轻量级的数据交换格式&#xff0c;同时也易于机器解析和生成、易于理解、阅读和撰写&#xff0c;而且Json采…

oracle 数据执行计划,Oracle 常见的执行计划步骤(explain结果的Description数据参考)...

在PL/SQL中 执行explain plain for select ...查看Description 数据参考&#xff1a;Oracle常见的执行计划步骤这里我们介绍一些常见的执行计划中的步骤及算法。1、表访问路径(1)TABLE ACCESSFULL&#xff1a;全表扫描。它会访问表中的每一条记录(读取高水位线以内的每一个数据…

CSS3实现Loading动画特效

查看效果&#xff1a;http://hovertree.com/texiao/css3/43/代码如下&#xff1a; <!DOCTYPE html> <html> <head><meta charset"UTF-8"><title>css3 loading等待加载代码 - 何问起</title><style>keyframes move {from {…