码迷,mamicode.com
首页 > 编程语言 > 详细

python3中运用urllib抓取贴吧的邮箱以及QQ

时间:2020-03-10 10:26:33      阅读:58      评论:0      收藏:0      [点我收藏+]

标签:use   form   ==   tle   trident   urlopen   url   写入   span   

  python3中运用urllib抓取 贴吧 的邮箱,以及QQ:

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?Request.add_header() 添加/修改?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

 

python3中运用urllib抓取贴吧的邮箱以及QQ

标签:use   form   ==   tle   trident   urlopen   url   写入   span   

原文地址:https://www.cnblogs.com/my-global/p/12454039.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!