python3如何使用urllib抓取貼吧郵箱和QQ

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

我們首先來看下實例代碼：

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

#抓取貼吧頁面數量信息
def gettiebalistnumbers(name):  #計算搜索的關鍵詞有多少頁 輸入名字 返回頁數
  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} # 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) # 發送請求
  # 也可以通過調用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 = response.read().decode("utf-8") # 讀取數據
  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，返回所有的頁數url
  numberstuple=gettiebalistnumbers(name)  #(元組）
  tienumbers=numberstuple[1]  #帖子的數量
  tiebalist = []
  if tienumbers%54==0:  #生成頁面列表
    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):   #抓取頁面的每個帖子url 輸入一頁url 返回列表內的的所有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，抓取數據
  #print(response.code) # 可以查看響應狀態碼

  restr = "<ul id=\"thread_list\" class=\"threadlist_bright j_threadlist_bright\">([\s\S]*?)<div class=\"thread_list_bottom clearfix\">" # 正則表達式，（）只要括號內的數據
  regex = re.compile(restr, re.IGNORECASE)
  mylist = regex.findall(data)
  #print(mylist[0])#抓取整個表格

  restr = "href=\"/p/(\d+)\"" # 正則表達式，（）只要括號內的數據
  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列表
  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
  # 也可以通過調用Request.add_header() 添加/修改一個特定的 header
  response = urllib.request.urlopen(request) # 打開請求
  tiebadata = response.read().decode("utf-8", "ignore") # 讀取數據
  allurllist1=[]

  restr = "共<span class=\"red\">(\d+)</span>頁</li>" # 正則表達式，（）只要括號內的數據
  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
  # 也可以通過調用Request.add_header() 添加/修改一個特定的 header
  response = urllib.request.urlopen(request) # 打開請求
  pagedata = response.read().decode("utf-8","ignore") #讀取數據
  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 返回郵箱
  emaillist = []
  restr = "[A-Z0-9._%+-]+[@][A-Z0-9.-]+\.[A-Z]{2,4}" # 正則表達式，（）只要括號內的數據
  regex = re.compile(restr, re.IGNORECASE)
  emaillist = regex.findall(pagedata)
  return emaillist   #返回提取的郵箱列表

def QQlistfrompage(url): #在帖子內頁面，把每一個郵箱抓取下來  輸入一個帖子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") #讀取數據
  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}" # 正則表達式，（）只要括號內的數據
      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=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)       #測試可以提取一個 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列表遍歷
        QQalllist.append(qqdata)  #添加到列表中
     #  qq=QQalllist.append(QQnumberlist[0])
#print(QQalllist)# #提取一個貼吧的所有QQ 測試成功
"""

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])
#最后寫入文件測試， 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=  或者導入 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

知識點擴充：

Proxy 的設置

urllib2 默認會使用環境變量 http_proxy 來設置 HTTP Proxy。如果想在程序中明確控制 Proxy 而不受環境變量的影響，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)

這里要注意的一個細節，使用 urllib2.install_opener() 會設置 urllib2 的全局 opener 。這樣后面的使用會很方便，但不能做更細粒度的控制，比如想在程序中使用兩個不同的 Proxy 設置等。比較好的做法是不使用 install_opener 去更改全局的設置，而只是直接調用 opener 的 open 方法代替全局的 urlopen 方法。

關于“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，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。