python3中運用urllib抓取貼吧的郵箱以及QQ:
import urllib import urllib.request import re from urllib import parse #抓取貼吧頁面數量資訊 def gettiebalistnumbers(name): #計算搜索的關鍵詞有多少頁 輸入名字 回傳頁數 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} # 介面 貼吧的名字 word = parse.urlencode(word) # 編碼成字串 url = url + word # 拼接url request = urllib.request.Request(url, headers=headers) # 發送請求 # 也可以通過呼叫Request.add_header() 添加/修改一個特定的 header request.add_header("Connection", "keep-alive") # 一直活著 response = urllib.request.urlopen(request) # 打開請求 data = https://www.cnblogs.com/my-global/p/response.read().decode("utf-8") # 讀取資料 print(response.code) # 可以查看相應狀態碼 restr = "<span class=\"card_infoNum\">([\s\S]*?)</span>" # 正則這個貼吧有多少帖子 regex = re.compile(restr, re.IGNORECASE) mylist = regex.findall(data) #尋找頁面所有符合條件的 tienumbers = mylist[0].replace(",","") #替換逗號 tienumbers = eval(tienumbers) #str轉化為數字 #print(tienumbers) restr = "<span class=\"card_menNum\">([\s\S]*?)</span>" # 正則關注貼吧的數 regex = re.compile(restr, re.IGNORECASE) mylist = regex.findall(data) # 尋找頁面所有符合條件的 Peoplenumbers = mylist[0].replace(",", "") # 替換逗號 Peoplenumbers = eval(Peoplenumbers) # str轉化為數字 #print(Peoplenumbers) return tienumbers,Peoplenumbers def gettiebalist(name): #抓取所有的符合name的頁數 輸入搜索關鍵詞，回傳所有的頁數url numberstuple=gettiebalistnumbers(name) #(元組） tienumbers=numberstuple[1] #帖子的數量 word = {"kw": name} # 介面 貼吧的名字 word = parse.urlencode(word) # 編碼成字串 tiebalist = [] if tienumbers % 53 == 0: # 生成頁面串列 for i in range(tienumbers // 53): tiebalist.append("https://tieba.baidu.com/f?" + word + "&pn=" + str(i * 50)) else: for i in range(tienumbers // 53 + 1): tiebalist.append("https://tieba.baidu.com/f?" + word + "&pn=" + str(i * 50)) #print(tiebalist) return tiebalist def geturllistformpage(url): #抓取頁面的每個帖子url 輸入一頁url 回傳串列內的的所有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) # 發起請求， # 也可以通過調?Request.add_header() 添加/修改?個特定的 header response=urllib.request.urlopen(request) data=response.read().decode("utf-8","ignore")#打開請求，抓取資料 #print(response.code) # 可以查看回應狀態碼 restr = "<ul id=\"thread_list\" class=\"threadlist_bright j_threadlist_bright\">([\s\S]*?)<div class=\"thread_list_bottom clearfix\">" # 正則運算式，（）只要括號內的資料 regex = re.compile(restr, re.IGNORECASE) mylist = regex.findall(data) #print(mylist[0])#抓取整個表格 restr = "href=https://www.cnblogs.com/"/p/(\d+)\"" # 正則運算式，（）只要括號內的資料 regex = re.compile(restr, re.IGNORECASE) urltitlelist = regex.findall(data) #print(urltitlelist) #抓取的url變化的數字 urllist=[] for title in urltitlelist: urllist.append("http://tieba.baidu.com/p/"+title) #拼接鏈接 #print(urllist) #得到每個頁面的帖子url串列 return urllist def getallurllist(url): #獲取每一頁里面的分頁 輸入一個帖子url 輸出所有分頁url鏈接 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) # 發送請求 # 也可以通過呼叫Request.add_header() 添加/修改一個特定的 header response = urllib.request.urlopen(request) # 打開請求 tiebadata = https://www.cnblogs.com/my-global/p/response.read().decode("utf-8", "ignore") # 讀取資料 allurllist1=[] restr = "共<span class=\"red\">(\d+)</span>頁</li>" # 正則運算式，（）只要括號內的資料 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變化的數字 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) # 發送請求 # 也可以通過呼叫Request.add_header() 添加/修改一個特定的 header response = urllib.request.urlopen(request) # 打開請求 pagedata = https://www.cnblogs.com/my-global/p/response.read().decode("utf-8","ignore") #讀取資料 return pagedata def getemaillistfrompage(pagedata): #在帖子內頁面，把每一個郵箱抓取下來 輸入一個帖子url 回傳郵箱 emaillist = [] restr = "[A-Z0-9._%+-]+[@][A-Z0-9.-]+\.[A-Z]{2,4}" # 正則運算式，（）只要括號內的資料 regex = re.compile(restr, re.IGNORECASE) emaillist = regex.findall(pagedata) return emaillist #回傳提取的郵箱串列 def QQlistfrompage(url): #在帖子內頁面，把每一個郵箱抓取下來 輸入一個帖子url 回傳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 = https://www.cnblogs.com/my-global/p/response.read().decode("utf-8","ignore") #讀取資料 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}" # 正則運算式，（）只要括號內的資料 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): #取出這個關鍵詞 所有頁面的url tieziurllist=geturllistformpage(numberurl) #取出每個頁面的 帖子url for fentieziurllist in tieziurllist: tieziurllist1=getallurllist(fentieziurllist) for pagetext in tieziurllist1: pagedata=https://www.cnblogs.com/my-global/p/getpagedata(pagetext) #取出每個頁面的代碼 datas=getemaillistfrompage(pagedata) #正則提取郵箱 if len(datas) !=0: #如果提取的里面一個頁面上的一個帖子 郵箱不是空的話 emailalllist.append(datas[0]) print(emailalllist) #測驗可以提取一個 貼吧的所有郵箱 """ """ name="qqmail" QQalllist=[] for numberurl in gettiebalist(name): #取出這個關鍵詞 所有頁面的url tieziurllist=geturllistformpage(numberurl) #取出每個頁面的 帖子url for url in tieziurllist: QQnumberlist=QQlistfrompage(url) #提取的里面一個頁面上的一個帖子的QQ #print(QQnumberlist) if len(QQnumberlist) != 0: #如果一個頁面QQ不為空的話 for qqdata in QQnumberlist: #一個頁面QQ串列遍歷 QQalllist.append(qqdata) #添加到串列中 # qq=QQalllist.append(QQnumberlist[0]) #print(QQalllist)# #提取一個貼吧的所有QQ 測驗成功 """ name="qqmail" savefilepath="qqmail_qq.txt" savefile=open(savefilepath,"wb") for numberurl in gettiebalist(name): #取出這個關鍵詞 所有頁面的url tieziurllist=geturllistformpage(numberurl) #取出每個頁面的 帖子url for fenurl in tieziurllist: tieziurllist1=getallurllist(fenurl) #一個頁面分頁的所有鏈接 for url in tieziurllist1: QQnumberlist=QQlistfrompage(url) #提取的里面一個頁面上的一個帖子的QQ #print(QQnumberlist) if len(QQnumberlist) != 0: #如果一個頁面QQ不為空的話 print(QQnumberlist) qqstr=" ".join(QQnumberlist) savefile.write((qqstr+"\r\n").encode("utf-8")) # qq=QQalllist.append(QQnumberlist[0]) #最后寫入檔案測驗， 寫入qq.txt 69K # TimeoutError: [WinError 10060] 由于連接方在一段時間后沒有正確答復或連接的主機沒有反應，連接嘗試失敗， #可優化為timeout= 或者匯入 import time 進行time.sleep(3) 睡眠定時訪問操作， #為避免出錯，還需再訪問url時加入 try except 出錯避過
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/179257.html
標籤：Python
上一篇：python reduce函式