前言：

之前學(xué)習(xí)了用python爬蟲的基本知識，現(xiàn)在計(jì)劃用爬蟲去做一些實(shí)際的數(shù)據(jù)統(tǒng)計(jì)功能。由于前段時(shí)間演員的誕生帶火了幾個(gè)年輕的實(shí)力派演員，想用爬蟲程序搜索某論壇中對于某些演員的討論熱度，并按照日期統(tǒng)計(jì)每天的討論量。

這個(gè)項(xiàng)目總共分為兩步：

1.獲取所有帖子的鏈接：

將最近一個(gè)月內(nèi)的帖子鏈接保存到數(shù)組中

2.從回帖中搜索演員名字：

從數(shù)組中打開鏈接，翻出該鏈接的所有回帖，在回帖中查找演員的名字

獲取所有帖子的鏈接：

搜索的范圍依然是以虎撲影視區(qū)為界限。虎撲影視區(qū)一天約5000個(gè)回帖，一月下來超過15萬回帖，作為樣本來說也不算小，有一定的參考價(jià)值。

完成這一步驟，主要分為以下幾步：

1.獲取當(dāng)前日期

2.獲取30天前的日期

3.記錄從第一頁往后翻的所有發(fā)帖鏈接

1.獲取當(dāng)前日期

這里我們用到了datetime模塊。使用datetime.datetime.now()，可以獲取當(dāng)前的日期信息以及時(shí)間信息。在這個(gè)項(xiàng)目中，只需要用到日期信息就好。

2.獲取30天前的日期

用datetime模塊的優(yōu)點(diǎn)在于，它還有一個(gè)很好用的函數(shù)叫做timedelta，可以自行計(jì)算時(shí)間差。當(dāng)給定參數(shù)days=30時(shí)，就會(huì)生成30天的時(shí)間差，再用當(dāng)前日期減去delta，可以得到30天前的日期，將該日期保存為startday，即開始進(jìn)行統(tǒng)計(jì)的日期。不然計(jì)算時(shí)間差需要自行考慮跨年閏年等因素，要通過一個(gè)較為復(fù)雜的函數(shù)才可以完成。

today = datetime.datetime.now()delta = datetime.timedelta(days=30)i = '%s' %(today - delta)startday = i.split(’ ’)[0]today = '%s' %todaytoday = today.split(’ ’)[0]

在獲得開始日期與結(jié)束日期后，由于依然需要記錄每一天每個(gè)人的討論數(shù)，根據(jù)這兩個(gè)日期生成兩個(gè)字典，分別為actor1_dict與actor2_dict。字典以日期為key，以當(dāng)日討論數(shù)目作為value，便于每次新增查找記錄時(shí)更新對應(yīng)的value值。

strptime, strftime = datetime.datetime.strptime, datetime.datetime.strftimedays = (strptime(today, '%Y-%m-%d') - strptime(startday, '%Y-%m-%d')).daysfor i in range(days+1):temp = strftime(strptime(startday, '%Y-%m-%d') + datetime.timedelta(i), '%Y-%m-%d')actor1_dict[temp] = 0actor2_dict[temp] = 0

3.記錄從第一頁往后翻的所有發(fā)帖鏈接

​如圖1所示，采用發(fā)帖順序排列，可以得到所有的發(fā)帖時(shí)間（精確到分鐘）。右鍵并點(diǎn)擊查看網(wǎng)頁源代碼，可以發(fā)現(xiàn)當(dāng)前帖子的鏈接頁面，用正則表達(dá)式的方式抓取鏈接。

首先依然是獲取30天前的日期，再抓取第i頁的源代碼，用正則表達(dá)式去匹配，獲取網(wǎng)頁鏈接和發(fā)帖時(shí)間。如圖2所示：

比較發(fā)帖時(shí)間，如果小于30天前的日期，則獲取發(fā)帖鏈接結(jié)束，返回當(dāng)前拿到的鏈接數(shù)組，代碼如下

def all_movie_post(ori_url): i = datetime.datetime.now() delta = datetime.timedelta(days=30) i = '%s' %(i - delta) day = i.split(’ ’)[0] # 獲得30天前的日子 print day user_agent = ’Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)’ headers = { ’User-Agent’ : user_agent } post_list = [] for i in range(1,100): request = urllib2.Request(ori_url + ’-{}’.format(i),headers = headers) response = urllib2.urlopen(request) content = response.read().decode(’utf-8’) pattern = re.compile(’<a href='http://m.cgvv.com.cn/bcjs/(.*?)' rel='external nofollow' >.*?<a style='color:#808080;cursor: initial; '>(.*?)</a>’, re.S) items = re.findall(pattern,content) for item in items: if item[1] == ’2011-09-16’:continue if item[1] > day: #如果是30天內(nèi)的帖子，保存post_list.append(’https://bbs.hupu.com’ + item[0]) else: #如果已經(jīng)超過30天了，就直接返回return post_list return post_list

函數(shù)的傳參是鏈接首頁，在函數(shù)中修改頁碼，并繼續(xù)搜索。

從回帖中搜索演員名字：

接下來的步驟也是通過一個(gè)函數(shù)來解決。函數(shù)的傳參包括上一步中得到的鏈接數(shù)組，已經(jīng)想要查詢的演員名字（這個(gè)功能可以進(jìn)一步擴(kuò)展，將演員名字也用列表的形式傳輸，同時(shí)上一步生成的字典也可以多一些）。

由于虎撲論壇會(huì)將一些得到認(rèn)可的回帖擺在前端，即重復(fù)出現(xiàn)。如圖3所示：

​為了避免重復(fù)統(tǒng)計(jì)，將這些重復(fù)先去除，代碼如下：

if i == 0:index = content.find(’更多亮了的回帖’)if index >= 0: content = content[index:]else: index = content.find(’我要推薦’) content = content[index:]

去除的規(guī)則其實(shí)并不重要，因?yàn)槊總€(gè)論壇都有自己的格式，只要能搞清楚源代碼中是怎么寫的，剩下的操作就可以自己根據(jù)規(guī)則進(jìn)行。

每個(gè)回帖格式大致如圖4，

用對應(yīng)的正則表達(dá)式再去匹配，找到每個(gè)帖子每一個(gè)回帖的內(nèi)容，在內(nèi)容中搜索演員名字，即一開始的actor_1與actor_2，如果搜到，則在對應(yīng)回帖日期下+1。

最終將兩位演員名字出現(xiàn)頻率返回，按日期記錄的字典由于是全局變量，不需要返回。

web_str = ’<span class='stime'>(.*?) .*?</span>.*?<tbody>[s]*<tr>[s]*<td>(.*?)<br />’ #找到回帖內(nèi)容的正則 pattern = re.compile(web_str, re.S) items = re.findall(pattern,content) for item in items:#if ’<b>引用’ in item: #如果引用別人的回帖，則去除引用部分 #try: #item = item.split(’</blockquote>’)[1] #except: #print item #print item.decode(’utf-8’)if actor_1 in item[1]: actor1_dict[item[0]] += 1 actor_1_freq += 1if actor_2 in item[1]: actor2_dict[item[0]] += 1 actor_2_freq += 1

至此，我們就利用爬蟲知識，成功完成對論壇關(guān)鍵字的頻率搜索了。

這只是一個(gè)例子，關(guān)鍵字可以任意，這也不只是一個(gè)針對演員的誕生而寫的程序。將演員名字換成其他詞，就可以做到類似“您的年度關(guān)鍵字”這樣的結(jié)果，根據(jù)頻率大小來顯示文字大小。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持好吧啦網(wǎng)。