python3中运用urllib抓取贴吧的邮箱以及QQ python3用urllib抓取贴吧邮箱和QQ实例
共感的艺术 人气:0我们首先来看下实例代码：
import urllib
import urllib.request
import re
from urllib import parse
#抓取贴吧页面数量信息
def gettiebalistnumbers(name): #计算搜索的关键词有多少页 输入名字 返回页数
url="https://tieba.baidu.com/f?"
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36 QIHU 360SE"} # header 字典形式
word = {"kw": name} # 接口 贴吧的名字
word = parse.urlencode(word) # 编码成字符串
url = url + word # 拼接url
request = urllib.request.Request(url, headers=headers) # 发送请求
# 也可以通过调用Request.add_header() 添加/修改一个特定的 header
request.add_header("Connection", "keep-alive") # 一直活着
response = urllib.request.urlopen(request) # 打开请求
data = response.read().decode("utf-8") # 读取数据
print(response.code) # 可以查看相应状态码
restr = "<span class=\"card_infoNum\">([\s\S]*?)</span>" # 正则这个贴吧有多少帖子
regex = re.compile(restr, re.IGNORECASE)
mylist = regex.findall(data) #寻找页面所有符合条件的
tienumbers = mylist[0].replace(",","") #替换逗号
tienumbers = eval(tienumbers) #str转化为数字
#print(tienumbers)
restr = "<span class=\"card_menNum\">([\s\S]*?)</span>" # 正则关注贴吧的数
regex = re.compile(restr, re.IGNORECASE)
mylist = regex.findall(data) # 寻找页面所有符合条件的
Peoplenumbers = mylist[0].replace(",", "") # 替换逗号
Peoplenumbers = eval(Peoplenumbers) # str转化为数字
#print(Peoplenumbers)
return tienumbers,Peoplenumbers
def gettiebalist(name): #抓取所有的符合name的页数 输入搜索关键词，返回所有的页数url
numberstuple=gettiebalistnumbers(name) #(元组）
tienumbers=numberstuple[1] #帖子的数量
tiebalist = []
if tienumbers%54==0: #生成页面列表
for i in range(tienumbers//54):
tiebalist.append("https://tieba.baidu.com/f?kw="+name+"&pn="+str(i*50))
else:
for i in range(tienumbers//54+1):
tiebalist.append("https://tieba.baidu.com/f?kw="+name+"&pn="+str(i*50))
#print(tiebalist)
return tiebalist
def geturllistformpage(url): #抓取页面的每个帖子url 输入一页url 返回列表内的的所有url
headers = {"User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0);"}
request = urllib.request.Request(url, headers=headers) # 发起请求，
# 也可以通过调⽤Request.add_header() 添加/修改⼀个特定的 header
response=urllib.request.urlopen(request)
data=response.read().decode("utf-8","ignore")#打开请求，抓取数据
#print(response.code) # 可以查看响应状态码
restr = "<ul id=\"thread_list\" class=\"threadlist_bright j_threadlist_bright\">([\s\S]*?)<div class=\"thread_list_bottom clearfix\">" # 正则表达式，（）只要括号内的数据
regex = re.compile(restr, re.IGNORECASE)
mylist = regex.findall(data)
#print(mylist[0])#抓取整个表格
restr = "href=\"/p/(\d+)\"" # 正则表达式，（）只要括号内的数据
regex = re.compile(restr, re.IGNORECASE)
urltitlelist = regex.findall(data)
#print(urltitlelist) #抓取的url变化的数字
urllist=[]
for title in urltitlelist:
urllist.append("http://tieba.baidu.com/p/"+title) #拼接链接
#print(urllist) #得到每个页面的帖子url列表
return urllist
def getallurllist(url): #获取每一页里面的分页 输入一个帖子url 输出所有分页url链接
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36 QIHU 360SE"} # header 字典形式
request = urllib.request.Request(url, headers=headers) # 发送请求
# 也可以通过调用Request.add_header() 添加/修改一个特定的 header
response = urllib.request.urlopen(request) # 打开请求
tiebadata = response.read().decode("utf-8", "ignore") # 读取数据
allurllist1=[]
restr = "共<span class=\"red\">(\d+)</span>页</li>" # 正则表达式，（）只要括号内的数据
regex = re.compile(restr, re.IGNORECASE)
numalllist = regex.findall(tiebadata)
nums=eval(numalllist[0])
for i in range(1,nums+1):
allurllist1.append(url+"?pn="+str(i))
return allurllist1
# print(urltitlelist) #抓取的url变化的数字
def getpagedata(url):
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36 QIHU 360SE"} # header 字典形式
request = urllib.request.Request(url, headers=headers) # 发送请求
# 也可以通过调用Request.add_header() 添加/修改一个特定的 header
response = urllib.request.urlopen(request) # 打开请求
pagedata = response.read().decode("utf-8","ignore") #读取数据
return pagedata
def getemaillistfrompage(pagedata): #在帖子内页面，把每一个邮箱抓取下来 输入一个帖子url 返回邮箱
emaillist = []
restr = "[A-Z0-9._%+-]+[@][A-Z0-9.-]+\.[A-Z]{2,4}" # 正则表达式，（）只要括号内的数据
regex = re.compile(restr, re.IGNORECASE)
emaillist = regex.findall(pagedata)
return emaillist #返回提取的邮箱列表
def QQlistfrompage(url): #在帖子内页面，把每一个邮箱抓取下来 输入一个帖子url 返回QQ
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36 QIHU 360SE"} # header 字典形式
request = urllib.request.Request(url, headers=headers)
response = urllib.request.urlopen(request)
#data = response.read().decode("utf-8","ignore") #读取数据
QQlist = []
while True:
line = response.readline()
line = line.decode('utf-8')
if not line:
break
if line.find("QQ") != -1 or line.find("Qq") != -1 or line.find("qq") != -1:
restr = "[1-9]\\d{4,10}" # 正则表达式，（）只要括号内的数据
regex = re.compile(restr, re.IGNORECASE)
templist = regex.findall(line)
QQlist.extend(templist)
return QQlist
#print(gettiebalistnumbers("python"))
#print(gettiebalist("python3"))
#mylist=gettiebalist("python3")
#for line in mylist:
# print(line)
#geturllistformpage("https://tieba.baidu.com/f?kw=python3&ie=utf-8&pn=4000")
#print(getemaillistfrompage(getpagedata("http://tieba.baidu.com/p/6490450301")))
#print(QQlistfrompage("http://tieba.baidu.com/p/3950107421"))
"""
name="qqmail"
emailalllist=[]
for numberurl in gettiebalist(name): #取出这个关键词 所有页面的url
tieziurllist=geturllistformpage(numberurl) #取出每个页面的 帖子url
for fentieziurllist in tieziurllist:
tieziurllist1=getallurllist(fentieziurllist)
for pagetext in tieziurllist1:
pagedata=getpagedata(pagetext) #取出每个页面的代码
datas=getemaillistfrompage(pagedata) #正则提取邮箱
if len(datas) !=0: #如果提取的里面一个页面上的一个帖子 邮箱不是空的话
emailalllist.append(datas[0])
print(emailalllist) #测试可以提取一个 贴吧的所有邮箱
"""
"""
name="qqmail"
QQalllist=[]
for numberurl in gettiebalist(name): #取出这个关键词 所有页面的url
tieziurllist=geturllistformpage(numberurl) #取出每个页面的 帖子url
for url in tieziurllist:
QQnumberlist=QQlistfrompage(url) #提取的里面一个页面上的一个帖子的QQ
#print(QQnumberlist)
if len(QQnumberlist) != 0: #如果一个页面QQ不为空的话
for qqdata in QQnumberlist: #一个页面QQ列表遍历
QQalllist.append(qqdata) #添加到列表中
# qq=QQalllist.append(QQnumberlist[0])
#print(QQalllist)# #提取一个贴吧的所有QQ 测试成功
"""
name="qqmail"
savefilepath="qqmail_qq.txt"
savefile=open(savefilepath,"wb")
for numberurl in gettiebalist(name): #取出这个关键词 所有页面的url
tieziurllist=geturllistformpage(numberurl) #取出每个页面的 帖子url
for fenurl in tieziurllist:
tieziurllist1=getallurllist(fenurl) #一个页面分页的所有链接
for url in tieziurllist1:
QQnumberlist=QQlistfrompage(url) #提取的里面一个页面上的一个帖子的QQ
#print(QQnumberlist)
if len(QQnumberlist) != 0: #如果一个页面QQ不为空的话
print(QQnumberlist)
qqstr=" ".join(QQnumberlist)
savefile.write((qqstr+"\r\n").encode("utf-8"))
# qq=QQalllist.append(QQnumberlist[0])
#最后写入文件测试， 写入qq.txt 69K
# TimeoutError: [WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败。
#可优化为timeout= 或者导入 import time 进行time.sleep(3) 睡眠定时访问操作，
#为避免出错，还需再访问url时加入 try except 出错避过
知识点扩充：
Proxy 的设置
urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。如果想在程序中明确控制 Proxy 而不受环境变量的影响，可以使用下面的方式
import urllib2
enable_proxy = True
proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})
null_proxy_handler = urllib2.ProxyHandler({})
if enable_proxy:
opener = urllib2.build_opener(proxy_handler)
else:
opener = urllib2.build_opener(null_proxy_handler)
urllib2.install_opener(opener)
这里要注意的一个细节，使用 urllib2.install_opener() 会设置 urllib2 的全局 opener 。这样后面的使用会很方便，但不能做更细粒度的控制，比如想在程序中使用两个不同的 Proxy 设置等。比较好的做法是不使用 install_opener 去更改全局的设置，而只是直接调用 opener 的 open 方法代替全局的 urlopen 方法。
加载全部内容