那些年我把北京科技大学给爬下来了！然而越来越喜欢北科大！
进群：960410445 获取源码哦！
我们的目标是关注帖子的标题名称，比如这个： “北邮人下载需要流量吗” ， “请问一下学长学姐，全国大学生数学竞赛初赛全国一等奖在咱们学校” 。
还有就是我们肯定不能只爬取一页的信息，这里我们将要爬取前1000页的信息。
页面分析
首先我们打开Chrome开发者工具看一下列表如何解析。
这里我们选中一个标题名称后，可以直接看到一个 a 标签，它的class为 j_th_tit 。
所以使用以下代码就可以打印出所有的标题来。
soup = BeautifulSoup(resp.content, "html.parser")
items = soup.find_all("a", {"class", "j_th_tit"})
for a in items:
title = item.get_text()
print(title)
分页分析
页面分析完了之后就可以分析一下分页了，我们把小箭头晃到底部分页的位置。
可以发现分页对应的网址主要是pn的值不一样。第2页对应50，第3页对应100，第4页对应150。
也就是，
pn=(page−1)∗50这样的关系。
爬虫编写
完成以上的分析工作之后，就可以开始实现我们的爬虫了。
数据库操作
首先是数据库的操作，这里使用到 tieba 数据库的 beike 集合。然后保存文档的话就直接insert就好了。
def init_collection():
client = pymongo.MongoClient(host="localhost", port=27017)
db = client['tieba']
return db["beike"]
def save_docs(docs):
beike.insert(docs)
beike = init_collection()
任务初始化
下面，我们不编写worker，而是先进行任务的初始化。
if __name__ == '__main__':
crawler = SimpleCrawler(5)
crawler.add_worker("worker", worker)
for i in range(1, 11):
crawler.add_task({"id": "worker", "page": i})
crawler.start()
这里我们首先初始化 SimpleCrawler ，然后给添加 worker 以及 task 。
关于task，可以看到上面的代码通过循环，添加了10个任务，每个任务的page属性不一样。worker肯定是爬取某一页并解析加入数据库的代码，我们这里其实就是添加了爬取前10页的任务。
这里虽然也可以写直接添加爬取前1000页的任务，但是考虑到实际情况下任务可能会非常多，为了让任务队列不溢出，开始可以少添加一些。
Worker编写
接下来是 worker 的编写。
首先worker肯定要有三个基础部分：下载页面、解析页面、保存数据。除此之外，因为要爬取1000页，所以还要添加新的任务来爬取剩下的990。
这里可以判断当前页码+10是否大于1000，如果不大于的话把当前页码+10的网页添加到新的任务队列中。
def worker(queue, task, lock):
offset = (task["page"] - 1) * 50
print("downloading: page %d" % task["page"])
# 1. 下载页面
resp = requests.get("http://tieba.baidu.com/f?kw="
"%E5%8C%97%E4%BA%AC%E7%A7%91%E6%8A%80%E5%A4%A7%E5%AD%A6&ie=utf-8&pn=" + str(offset))
soup = BeautifulSoup(resp.content, "html.parser")
# 2. 解析页面
items = soup.find_all("a", {"class", "j_th_tit"})
docs = []
for index, item in enumerate(items):
docs.append({"page": task["page"], "index": index, "title": item.get_text()})
print(task["page"], index, item.get_text())
# 3. 保存数据
with lock:
save_docs(docs)
# 4. 添加新任务
if (task["page"] + 10) > 1000:
queue.put({"id": "NO"})
else:
queue.put({"id": "worker", "page": task["page"] + 10})
运行效果
以上就是爬虫的全部代码，运行后可以看到类型下面的结果。
通过以上代码大概爬了4万多条数据，之后的两章我们将把这些标题当做语料库，做一个简单的相关帖子推荐系统。
说明
网站可能会经常变化，如果上述爬虫不能用的话，可以爬取我保存下来的贴吧网页： http://nladuo.cn/beike_tieba/1.html 。
分页的格式类似于1.html、2.html、…、1000.html。
