python3如何使用urllib抓取貼吧郵箱和QQ

這篇文章將為大家詳細(xì)講解有關(guān)python3如何使用urllib抓取貼吧郵箱和QQ，小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

我們首先來(lái)看下實(shí)例代碼：

import urllib
import urllib.request
import re
from urllib import parse

#抓取貼吧頁(yè)面數(shù)量信息
def gettiebalistnumbers(name):  #計(jì)算搜索的關(guān)鍵詞有多少頁(yè) 輸入名字 返回頁(yè)數(shù)
  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  貼吧的名字
  word = parse.urlencode(word) # 編碼成字符串
  url = url + word # 拼接url
  request = urllib.request.Request(url, headers=headers) # 發(fā)送請(qǐng)求
  # 也可以通過(guò)調(diào)用Request.add_header() 添加/修改一個(gè)特定的 header
  request.add_header("Connection", "keep-alive") # 一直活著
  response = urllib.request.urlopen(request) # 打開請(qǐng)求
  data = response.read().decode("utf-8") # 讀取數(shù)據(jù)
  print(response.code) # 可以查看相應(yīng)狀態(tài)碼

  restr = "<span class=\"card_infoNum\">([\s\S]*?)</span>" # 正則這個(gè)貼吧有多少帖子
  regex = re.compile(restr, re.IGNORECASE)
  mylist = regex.findall(data) #尋找頁(yè)面所有符合條件的
  tienumbers = mylist[0].replace(",","") #替換逗號(hào)
  tienumbers = eval(tienumbers)  #str轉(zhuǎn)化為數(shù)字
  #print(tienumbers)

  restr = "<span class=\"card_menNum\">([\s\S]*?)</span>" # 正則關(guān)注貼吧的數(shù)
  regex = re.compile(restr, re.IGNORECASE)
  mylist = regex.findall(data) # 尋找頁(yè)面所有符合條件的
  Peoplenumbers = mylist[0].replace(",", "") # 替換逗號(hào)
  Peoplenumbers = eval(Peoplenumbers) # str轉(zhuǎn)化為數(shù)字
  #print(Peoplenumbers)

  return tienumbers,Peoplenumbers

def gettiebalist(name):  #抓取所有的符合name的頁(yè)數(shù) 輸入搜索關(guān)鍵詞，返回所有的頁(yè)數(shù)url
  numberstuple=gettiebalistnumbers(name)  #(元組）
  tienumbers=numberstuple[1]  #帖子的數(shù)量
  tiebalist = []
  if tienumbers%54==0:  #生成頁(yè)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):   #抓取頁(yè)面的每個(gè)帖子url 輸入一頁(yè)url 返回列表內(nèi)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(fā)起請(qǐng)求，
  # 也可以通過(guò)調(diào)?Request.add_header() 添加/修改?個(gè)特定的 header
  response=urllib.request.urlopen(request)
  data=response.read().decode("utf-8","ignore")#打開請(qǐng)求，抓取數(shù)據(jù)
  #print(response.code) # 可以查看響應(yīng)狀態(tài)碼

  restr = "<ul id=\"thread_list\" class=\"threadlist_bright j_threadlist_bright\">([\s\S]*?)<div class=\"thread_list_bottom clearfix\">" # 正則表達(dá)式，（）只要括號(hào)內(nèi)的數(shù)據(jù)
  regex = re.compile(restr, re.IGNORECASE)
  mylist = regex.findall(data)
  #print(mylist[0])#抓取整個(gè)表格

  restr = "href=\"/p/(\d+)\"" # 正則表達(dá)式，（）只要括號(hào)內(nèi)的數(shù)據(jù)
  regex = re.compile(restr, re.IGNORECASE)
  urltitlelist = regex.findall(data)
  #print(urltitlelist)   #抓取的url變化的數(shù)字
  urllist=[]
  for title in urltitlelist:
    urllist.append("http://tieba.baidu.com/p/"+title)  #拼接鏈接
  #print(urllist) #得到每個(gè)頁(yè)面的帖子url列表
  return urllist
def getallurllist(url):     #獲取每一頁(yè)里面的分頁(yè)  輸入一個(gè)帖子url 輸出所有分頁(yè)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(fā)送請(qǐng)求
  # 也可以通過(guò)調(diào)用Request.add_header() 添加/修改一個(gè)特定的 header
  response = urllib.request.urlopen(request) # 打開請(qǐng)求
  tiebadata = response.read().decode("utf-8", "ignore") # 讀取數(shù)據(jù)
  allurllist1=[]

  restr = "共<span class=\"red\">(\d+)</span>頁(yè)</li>" # 正則表達(dá)式，（）只要括號(hào)內(nèi)的數(shù)據(jù)
  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(shù)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(fā)送請(qǐng)求
  # 也可以通過(guò)調(diào)用Request.add_header() 添加/修改一個(gè)特定的 header
  response = urllib.request.urlopen(request) # 打開請(qǐng)求
  pagedata = response.read().decode("utf-8","ignore") #讀取數(shù)據(jù)
  return pagedata
def getemaillistfrompage(pagedata): #在帖子內(nèi)頁(yè)面，把每一個(gè)郵箱抓取下來(lái)  輸入一個(gè)帖子url 返回郵箱
  emaillist = []
  restr = "[A-Z0-9._%+-]+[@][A-Z0-9.-]+\.[A-Z]{2,4}" # 正則表達(dá)式，（）只要括號(hào)內(nèi)的數(shù)據(jù)
  regex = re.compile(restr, re.IGNORECASE)
  emaillist = regex.findall(pagedata)
  return emaillist   #返回提取的郵箱列表

def QQlistfrompage(url): #在帖子內(nèi)頁(yè)面，把每一個(gè)郵箱抓取下來(lái)  輸入一個(gè)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") #讀取數(shù)據(jù)
  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}" # 正則表達(dá)式，（）只要括號(hào)內(nèi)的數(shù)據(jù)
      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(gè)關(guān)鍵詞 所有頁(yè)面的url
  tieziurllist=geturllistformpage(numberurl) #取出每個(gè)頁(yè)面的 帖子url
  for fentieziurllist in tieziurllist:
    tieziurllist1=getallurllist(fentieziurllist)
    
    for pagetext in tieziurllist1:   
      pagedata=getpagedata(pagetext)  #取出每個(gè)頁(yè)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(gè)頁(yè)面上的一個(gè)帖子 郵箱不是空的話
        emailalllist.append(datas[0])
print(emailalllist)       #測(cè)試可以提取一個(gè) 貼吧的所有郵箱
 """
"""
name="qqmail"
QQalllist=[]
for numberurl in gettiebalist(name):  #取出這個(gè)關(guān)鍵詞 所有頁(yè)面的url
  tieziurllist=geturllistformpage(numberurl) #取出每個(gè)頁(yè)面的 帖子url
  for url in tieziurllist:
    QQnumberlist=QQlistfrompage(url)  #提取的里面一個(gè)頁(yè)面上的一個(gè)帖子的QQ
    #print(QQnumberlist)
    if len(QQnumberlist) != 0:  #如果一個(gè)頁(yè)面QQ不為空的話
      for qqdata in QQnumberlist:  #一個(gè)頁(yè)面QQ列表遍歷
        QQalllist.append(qqdata)  #添加到列表中
     #  qq=QQalllist.append(QQnumberlist[0])
#print(QQalllist)# #提取一個(gè)貼吧的所有QQ 測(cè)試成功
"""

name="qqmail"
savefilepath="qqmail_qq.txt"
savefile=open(savefilepath,"wb")
for numberurl in gettiebalist(name):  #取出這個(gè)關(guān)鍵詞 所有頁(yè)面的url
  tieziurllist=geturllistformpage(numberurl) #取出每個(gè)頁(yè)面的 帖子url
  for fenurl in tieziurllist:
    tieziurllist1=getallurllist(fenurl)  #一個(gè)頁(yè)面分頁(yè)的所有鏈接
    for url in tieziurllist1:
      QQnumberlist=QQlistfrompage(url)  #提取的里面一個(gè)頁(yè)面上的一個(gè)帖子的QQ
      #print(QQnumberlist)
      if len(QQnumberlist) != 0:  #如果一個(gè)頁(yè)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])
#最后寫入文件測(cè)試， 寫入qq.txt 69K
# TimeoutError: [WinError 10060] 由于連接方在一段時(shí)間后沒有正確答復(fù)或連接的主機(jī)沒有反應(yīng)，連接嘗試失敗。
#可優(yōu)化為timeout=  或者導(dǎo)入 import time 進(jìn)行time.sleep(3) 睡眠定時(shí)訪問(wèn)操作，
#為避免出錯(cuò)，還需再訪問(wèn)url時(shí)加入 try  except 出錯(cuò)避過(guò)

知識(shí)點(diǎn)擴(kuò)充：

Proxy 的設(shè)置

urllib2 默認(rèn)會(huì)使用環(huán)境變量 http_proxy 來(lái)設(shè)置 HTTP Proxy。如果想在程序中明確控制 Proxy 而不受環(huán)境變量的影響，可以使用下面的方式

import urllib2
enable_proxy = True
proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})
null_proxy_handler = urllib2.ProxyHandler({})

if enable_proxy:
  opener = urllib2.build_opener(proxy_handler)
else:
  opener = urllib2.build_opener(null_proxy_handler)

urllib2.install_opener(opener)

這里要注意的一個(gè)細(xì)節(jié)，使用 urllib2.install_opener() 會(huì)設(shè)置 urllib2 的全局 opener 。這樣后面的使用會(huì)很方便，但不能做更細(xì)粒度的控制，比如想在程序中使用兩個(gè)不同的 Proxy 設(shè)置等。比較好的做法是不使用 install_opener 去更改全局的設(shè)置，而只是直接調(diào)用 opener 的 open 方法代替全局的 urlopen 方法。

關(guān)于“python3如何使用urllib抓取貼吧郵箱和QQ”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，使各位可以學(xué)到更多知識(shí)，如果覺得文章不錯(cuò)，請(qǐng)把它分享出去讓更多的人看到。