豆瓣小组爬虫

最近要租房,写了一个豆瓣租房小组的爬虫,直接上代码

python 复制代码
from lxml import etree
import requests
import time  
import pandas as pd
import tqdm

def get_code(start, group_url):
    url = group_url
    headers = {
   #填自己登录之后的cookie 参考教程https://blog.csdn.net/weixin_41666747/article/details/80315002
    }
    data = {
    'start': start,
    'type': 'new'
    }
    request = requests.get(url=url, params=data, headers=headers)
    response = request.text
    return response


def list_posts(response, page, titles, urls, dates, authors, replies):
    tree = etree.HTML(response)
    titles_arr = tree.xpath('//table[@class="olt"]/tr//td/a/@title')
    for t in range(len(titles_arr)):
        titles[page].append(titles_arr[t])
    urls_arr = tree.xpath('//table[@class="olt"]/tr//td[@class="title"]//a/@href')
    for u in range(len(urls_arr)):
        urls[page].append(urls_arr[u])
    dates_arr = tree.xpath('//table[@class="olt"]/tr//td[@class="time"]/text()')
    for d in range(len(dates_arr)):
        dates[page].append(dates_arr[d])
    authors_arr = tree.xpath('//table[@class="olt"]/tr//td[@nowrap="nowrap"]/a/text()')
    for a in range(len(authors_arr)):
        authors[page].append(authors_arr[a])
    replies_arr = tree.xpath('//table[@class="olt"]/tr//td[@class="r-count "]/text()')
    for r in range(len(replies_arr)):
        replies[page].append(replies_arr[r])
    return titles, urls, dates, authors, replies


def get_page(all_page, group_url):
    titles = [[] for i in range(all_page)]
    urls = [[] for i in range(all_page)]
    dates = [[] for i in range(all_page)]
    authors = [[] for i in range(all_page)]
    replies = [[] for i in range(all_page)]
    for i in tqdm.tqdm(range(all_page)):
        start = i * 25
        time.sleep(0.05)
        response = get_code(start, group_url)
        titles, urls, dates, authors, replies = list_posts(response, i, titles, urls, dates, authors, replies)
    return titles, urls, dates, authors, replies


#北京租房 100万+ 个成员 在此聚集
group_url = 'https://www.douban.com/group/beijingzufang/discussion'
# 北京租房 481519 个成员 在此聚集
group_url = 'https://www.douban.com/group/sweethome/discussion'

all_page = 100
print('正在爬取' + str(int(all_page) * 25) + '篇帖子,请稍后...')

titles, urls, dates, authors, replies = get_page(int(all_page), group_url)

data = []  

for i in range(int(all_page)):
    for j in range(len(titles[i])):
        data.append({"Title": titles[i][j], "Author": authors[i][j], "Date": dates[i][j], "Url": urls[i][j]})  
#             print("【查找成功!第%d页】" % (i + 1))
#             print("标题:" + titles[i][j])
#             print("作者:" + authors[i][j])
# #             print("回复数:" + replies[i][j])
#             print("最后回复时间:" + dates[i][j])
#             print("链接:" + urls[i][j])
#             print('-----------------------------------------------------')
df = pd.DataFrame(data)  
# 将表格写入Excel文件  
df.to_excel("output.xlsx", index=True)
print('爬取完成!')


相关推荐
好喜欢吃红柚子7 分钟前
万字长文解读空间、通道注意力机制机制和超详细代码逐行分析(SE,CBAM,SGE,CA,ECA,TA)
人工智能·pytorch·python·计算机视觉·cnn
小馒头学python12 分钟前
机器学习是什么?AIGC又是什么?机器学习与AIGC未来科技的双引擎
人工智能·python·机器学习
神奇夜光杯21 分钟前
Python酷库之旅-第三方库Pandas(202)
开发语言·人工智能·python·excel·pandas·标准库及第三方库·学习与成长
千天夜33 分钟前
使用UDP协议传输视频流!(分片、缓存)
python·网络协议·udp·视频流
测试界的酸菜鱼36 分钟前
Python 大数据展示屏实例
大数据·开发语言·python
羊小猪~~40 分钟前
神经网络基础--什么是正向传播??什么是方向传播??
人工智能·pytorch·python·深度学习·神经网络·算法·机器学习
放飞自我的Coder1 小时前
【python ROUGE BLEU jiaba.cut NLP常用的指标计算】
python·自然语言处理·bleu·rouge·jieba分词
正义的彬彬侠2 小时前
【scikit-learn 1.2版本后】sklearn.datasets中load_boston报错 使用 fetch_openml 函数来加载波士顿房价
python·机器学习·sklearn
张小生1802 小时前
PyCharm中 argparse 库 的使用方法
python·pycharm
秃头佛爷2 小时前
Python使用PDF相关组件案例详解
python