【发布时间】:2011-08-18 14:53:11
【问题描述】:
我正在使用网络爬虫进行屏幕抓取数据并将结果(来自推特页面的推文)存储为我正在爬取的每个用户的单独 html 文件。我打算稍后解析 html 文件并将数据存储到数据库中进行分析。但是,我遇到了一个奇怪的问题。
当我运行以下程序时——来自整个爬虫的一个小 sn-p——我能够为每个关注者获取一个单独的 html 文件:
import re
import urllib2
import twitter
start_follower = "NYTimesKrugman"
depth = 3
searched = set()
api = twitter.Api()
def crawl(follower, in_depth):
if in_depth > 0:
searched.add(follower)
directory = "C:\\Python28\\Followertest1\\" + follower + ".html"
output = open(directory, 'a')
output.write(follower)
output.write('\n\n')
users = api.GetFriends(follower)
names = set([str(u.screen_name) for u in users])
names -= searched
for name in list(names)[0:5]:
crawl(name, in_depth-1)
crawl(start_follower, depth)
for x in searched:
print x
print "Program is completed."
但是,当我运行完整的爬虫时,我没有为每个关注者获得单独的文件:
import twitter
import urllib
from BeautifulSoup import BeautifulSoup
import re
import time
start_follower = "NYTimeskrugman"
depth = 2
searched = set()
api = twitter.Api()
def add_to_U(user):
U.append(user)
def site(follower): #creates a twitter site url in string format based on the follower username
followersite = "http://mobile.twitter.com/" + follower
return followersite
def getPage(follower): #obtains access to a webapge
url = site(follower)
response = urllib.urlopen(url)
return response
def getSoup(response): #creates the parsing module
html = response.read()
soup = BeautifulSoup(html)
return soup
def gettweets(soup, output):
tags = soup.findAll('div', {'class' : "list-tweet"})#to obtain tweet of a follower
for tag in tags:
a = tag.renderContents()
b = str (a)
output.write(b)
output.write('\n\n')
def are_more_tweets(soup):#to check whether there is more than one page on mobile twitter
links = soup.findAll('a', {'href': True}, {id: 'more_link'})
for link in links:
b = link.renderContents()
test_b = str(b)
if test_b.find('more') != -1:
return True
return False
def getnewlink(soup): #to get the link to go to the next page of tweets on twitter
links = soup.findAll('a', {'href': True}, {id : 'more_link'})
for link in links:
b = link.renderContents()
if str(b) == 'more':
c = link['href']
d = 'http://mobile.twitter.com' +c
return d
def crawl(follower, in_depth): #main method of sorts
if in_depth > 0:
searched.add(follower)
directory = "C:\\Python28\\Followertest2\\" + follower + ".html"
output = open(directory, 'a')
output.write(follower)
output.write('\n\n')
a = getPage(follower)
soup = getSoup(a)
gettweets(soup, output)
tweets = are_more_tweets(soup)
while(tweets):
b = getnewlink(soup)
red = urllib.urlopen(b)
html = red.read()
soup = BeautifulSoup(html)
gettweets(soup, output)
tweets = are_more_tweets(soup)
users = api.GetFriends(follower)
names = set([str(u.screen_name) for u in users])
names -= searched
for name in list(names)[0:5]:
print name
crawl(name, in_depth - 1)
crawl(start_follower, depth)
print("Program done. Look at output file.")
更具体地说,我似乎为大约前五个关注者获得了一个单独的 html 文件,然后似乎没有创建新文件。任何帮助,将不胜感激!
【问题讨论】:
-
我知道这可能对您的问题没有帮助 - 但不久前我在 twitter 上进行数据挖掘,请问您为什么不只是使用 API?
-
啊..我正在使用 API 获取用户的好友列表,但由于速率限制,我不想使用 API 获取推文。我相信使用当前代码(鉴于爬虫必须暂停以获取用户的所有推文),我不会超过当前的速率限制。
-
@NED Python 28?这只是我选择存储爬取数据的文件目录。
-
啊,是的,我遇到了同样的问题 - 所以你可以做的是使用 Apigee,他们可以连接到 Twitter,你可以免费获得每小时 20000 个电话 - apigee.com/console/… - 如果你想去那条路线。
-
@ eWizard - 感谢您的链接......但在我尝试另一条路线之前,我当前的代码在爬行和记录数据方面工作正常。但是,我遇到的唯一问题是数据存储。您认为您知道一种好的存储方法吗?或者理想情况下,您能就我的问题提出一些建议吗?
标签: python web-crawler