天涯论坛网络爬虫学习笔记
来源:互联网 发布:智商高 成功 知乎 编辑:程序博客网 时间:2024/06/08 14:32
先贴出收藏的网站:
正则抓取天涯数据 Webharvest网络爬虫应用总结 试用Web-Harvest python实现网络爬虫下载天涯论坛帖子 多线程抓取天涯帖子内容 关于天涯论坛抓取规则问题 如何用Python,C#等语言去实现抓取静态网页+抓取动态网页+模拟登陆网站 关于抓取网页,分析网页内容,模拟登陆网站的逻辑/流程和注意事项 Python网页抓取程序(续) 天涯论坛的抓取规则
因为之前调用API获取的字数有限制,所以只能转用其他的方式来获取,也就是网络爬虫。
因为天涯论坛可以不登录浏览,而且都是静态html,所以这样简单了很多。
我的理解是,比如你看网页源代码,会出现很多链接或者文字,有一个爬虫,将文字爬取下来,然后遇到链接就记下来作为接下来要爬取得网站。
那么怎么知道哪些是我们想要的文字,想要的链接呢?需要用到正则表达式。
继续贴链接:
正则表达式入门教程 正则表达式语法
中途放了个假,之前学习的东西都放弃了,经同学推荐,招了开源项目(国人的)webmagic,感觉挺棒的,基本的接口都实现了。
webmagic 基本爬虫 一个例子 爬虫主体 webmagic——魔法般的爬虫框架 WebMagic-推酷
这个看一下原函数会很好,里面也自带很多例子,多学习有好处。用webmagic实现的网络爬虫
其中碰到的一个问题就是涉及到贴子分页,因为我到现在想清楚了逻辑,但是没想清楚实现,首先进入贴子列表页,记下每篇帖子链接,然后进入一个帖子的详情页,还要进行翻页,这样递归遍历,我没找到例子看了看文档,还是没有完全实现。
关于爬虫实现分页的一些思考 学习webmagic WebMagic
突然想到楼层信息可以参考百度贴吧和豆瓣小组的爬取方式,所以搜索了一下,找到了这个:用webmagic实现的贴吧网络爬虫
- 天涯论坛网络爬虫学习笔记
- 爬虫之天涯论坛
- 用Perl脚本来抓去 天涯论坛 的帖子,呵呵 看帖子方便多了[网络爬虫]
- 网络爬虫 学习笔记
- python网络爬虫学习笔记
- 网络爬虫学习笔记(一)
- Python--网络爬虫学习笔记
- python网络爬虫学习笔记
- 网络爬虫学习笔记(一) 网络爬虫概述
- 网络爬虫学习笔记——网络爬虫简介
- 网络爬虫学习笔记(二)
- 网络爬虫学习笔记之概述
- 用python 写网络爬虫 学习笔记
- Python网络爬虫学习笔记(定向)
- Python之网络爬虫学习笔记
- python 网络爬虫学习笔记之beautifulsoup
- 自己动手写网络爬虫学习笔记
- Python网络爬虫学习笔记(一)
- 设计模式6大原则之-里氏替换原则
- 蓝桥杯 C本科B组 李白打酒
- CENTOS YUM reinstall
- 新系统中导入maven失败出错,Could not calculate build plan
- WebSocket(3)-- WebSocket协议简介[转载自http://blog.csdn.net/yl02520/article/]
- 天涯论坛网络爬虫学习笔记
- 淡入淡出启动画面的制作
- Ubuntu下非常给力的下载工具
- 解决两个Jquery库冲突的问题
- dsa算法(19)
- gson 框架使用
- 微信开发值得推荐的开源项目
- 作业
- php递归所有文件