【Python数据分析】简单爬虫 爬取知乎神回复

      看知乎的时候发现了一个 “如何正确地吐槽” 收藏夹，里面的一些神回复实在很搞笑，但是一页一页地看又有点麻烦，而且每次都要打开网页，于是想如果全部爬下来到一个文件里面，是不是看起来很爽，并且随时可以看到全部的，于是就开始动手了。

工具

1.Python 2.7

2.BeautifulSoup

分析网页

我们先来看看知乎上该网页的情况：

网址： ，容易看到，网址是有规律的，page慢慢递增，这样就能够实现全部爬取了。

再来看一下我们要爬取的内容： 

我们要爬取两个内容：问题和回答，回答仅限于显示了全部内容的回答，如下面这种就不能爬取，因为好像无法展开（反正我不会。。），再说答案不全的话爬来也没用，所以就不爬答案不全的了吧。

好，那么下面我们要找到他们在网页源代码中的位置：

即我们找到问题的内容包含在<h2 class = "zm-item-title"><a tar...>中，那么我们等会就可以在这个标签里面找问题。

然后是回复：

有两个地方都有回复的内容，因为上面那个的内容还包括了<span..>等一些内容，不方便处理，我们爬下面那个的内容，因为那个里面的内容纯正无污染。

修正前代码

好，这时候我们试着写出python代码：

# -*- coding: cp936 -*-
import urllib2
from BeautifulSoup import BeautifulSoup

f = open('howtoTucao.txt','w')     #打开文件

for pagenum in range(1,21):        #从第1页爬到第20页

    strpagenum = str(pagenum)      #页数的str表示
    print "Getting data for Page " + strpagenum   #shell里面显示的，表示已爬到多少页
    url = "http://www.zhihu.com/collection/27109279?page="+strpagenum  #网址
    page = urllib2.urlopen(url)     #打开网页
    soup = BeautifulSoup(page)      #用BeautifulSoup解析网页
    
    #找到具有class属性为下面两个的所有Tag
    ALL = soup.findAll(attrs = {'class' : ['zm-item-title','zh-summary summary clearfix'] })

    for each in ALL :               #枚举所有的问题和回答
        #print type(each.string)
        #print each.name
        if each.name == 'h2' :      #如果Tag为h2类型，说明是问题
            print each.a.string     #问题中还有一个<a..>，所以要each.a.string取出内容
            if each.a.string:       #如果非空，才能写入
                f.write(each.a.string)
            else :                  #否则写"No Answer"
                f.write("No Answer")
        else :                      #如果是回答，同样写入
            print each.string
            if each.string: 
                f.write(each.string)
            else :
                f.write("No Answer")
f.close()                           #关闭文件

代码虽然不常，可是写了我半天，开始各种出问题。

运行

然后我们运行就可以爬了：

修正前结果

等运行完毕，我们打开文件howtoTucao.txt，可以看到，这样就爬取成功了。只是格式可能还是有点问题，原来是我No Answer没加换行，所以No Answer还会混到文本里面去，加两个换行就可以了。

结果在这 ： 点我

说明

有朋友说好像这个内容有人写过 ： http://www.cnblogs.com/fengfenggirl/p/zhihu_shenhuifu.html

他跟我写的不同，大家也可以看看，这里并无借鉴与抄袭。    

优化及修正

文章发出后，收到了一些朋友，前辈的指导，进行了修正：

1.可以爬取全部内容

2.格式的修正

由上图我们知道，全部内容是在content hidden中的，之前我因为不知道如何处理<span..那一段，所以就没有爬全部内容，而是简略地爬取了部分内容。

其实去掉那一段并不难，用正则表达式匹配：

nowstring = re.sub('<s.+>
<a.+>
<.+>
','',each.a.string)

即可。

然后就是一些格式的整理，由下图我们看到，爬取出的内容会有很多&lt;..&gt; 这只有html才能够解析，放到txt文件中就不能解析，从而出现这些字符，影响阅读，所以我们也用正则将它们去掉。

除了&lt;br&gt;用换行符代替外，其余的我们都用''空串来代替，并且将图片等也换掉。

修正后代码

# -*- coding: cp936 -*-
import urllib2
import re
from BeautifulSoup import BeautifulSoup

f = open('howtoTucao.txt','w')     #open the file

for pagenum in range(1,21):      

    strpagenum = str(pagenum)
    print "Getting data for Page " + strpagenum   #for we can see the process in shell
    url = "http://www.zhihu.com/collection/27109279?page="+strpagenum
    page = urllib2.urlopen(url)     #get the web page
    soup = BeautifulSoup(page)      #use BeautifulSoup to parsing the web page
    
    ALL = soup.findAll(attrs = {'class' : ['zm-item-title','content hidden'] })

    for each in ALL :
        if each.name == 'h2' :
            nowstring = re.sub('<s.+>
<a.+>
<.+>
','',each.a.string)
            nowstring = re.sub('&lt;br&gt;','
',nowstring)
            nowstring = re.sub('&lt;w+&gt;','',nowstring)
            nowstring = re.sub('&lt;/w+&gt;','',nowstring)
            nowstring = re.sub('&lt;.+&gt;','
图片
',nowstring)
            nowstring = re.sub('&quot;','"',nowstring)
            print nowstring
            if nowstring:
                f.write(nowstring)
            else :
                f.write("
 No Answer 
")
        else :
            nowstring = re.sub('<s.+>
<a.+>
<.+>
','',each.string)
            nowstring = re.sub('&lt;br&gt;','
',nowstring)
            nowstring = re.sub('&lt;w+&gt;','',nowstring)
            nowstring = re.sub('&lt;/w+&gt;','',nowstring)
            nowstring = re.sub('&lt;.+&gt;','
图片
',nowstring)
            nowstring = re.sub('&quot;','"',nowstring)
            print nowstring
            if nowstring:
                f.write(nowstring)
            else :
                f.write("
 No Answer 
")
f.close()                                 #close the file

修正后结果

这样就可以了。

感谢网友 Anonymous Coward ， 盛强 提供建议！

结果可在我的github中查看。