主要实现 爬取一个收藏夹 里 所有问题答案下的 图片

文字信息暂未收录，可自行实现，比图片更简单

具体代码里有详细注释，请自行阅读

项目源码：

# -*- coding:utf-8 -*-

from spider import SpiderHTML

from multiprocessing import Pool

import sys,urllib,http,os,random,re,time

__author__ = 'waiting'

'''

使用了第三方的类库 BeautifulSoup4，请自行安装

需要目录下的spider.py文件

运行环境：python3.4,windows7

'''

#收藏夹的地址

url = 'https://www.zhihu.com/collection/30822111'  #page参数改为代码添加

#本地存放的路径,不存在会自动创建

store_path = 'E:\\zhihu\收藏夹\\会员才知道的世界'

class zhihuCollectionSpider(SpiderHTML):

  def __init__(self,pageStart, pageEnd, url):

    self._url = url

    self._pageStart = int(pageStart)

    self._pageEnd = int(pageEnd)+1

    self.downLimit = 0            #低于此赞同的答案不收录

  def start(self):

    for page in range(self._pageStart,self._pageEnd):    #收藏夹的页数

      url = self._url + '?page='+str(page)

      content = self.getUrl(url)

      questionList = content.find_all('div',class_='zm-item')

      for question in questionList:            #收藏夹的每个问题

        Qtitle = question.find('h2',class_='zm-item-title')

        if Qtitle is None:                #被和谐了

          continue

        questionStr = Qtitle.a.string

        Qurl = 'https://www.zhihu.com'+Qtitle.a['href']  #问题题目

        Qtitle = re.sub(r'[\\/:*?"<>]','#',Qtitle.a.string)      #windows文件/目录名不支持的特殊符号

        try:

          print('-----正在获取问题:'+Qtitle+'-----')    #获取到问题的链接和标题，进入抓取

        except UnicodeEncodeError:

          print(r'---问题含有特殊字符无法显示---')

        try:

          Qcontent = self.getUrl(Qurl)

        except:

          print('!!!!获取出错!!!!!')

          pass

        answerList = Qcontent.find_all('div',class_='zm-item-answer  zm-item-expanded')

        self._processAnswer(answerList,Qtitle)            #处理问题的答案

        time.sleep(5)

  def _processAnswer(self,answerList,Qtitle):

    j = 0      

    for answer in answerList:

      j = j + 1

      

      upvoted = int(answer.find('span',class_='count').string.replace('K','000'))   #获得此答案赞同数

      if upvoted < self.downLimit:

        continue

      authorInfo = answer.find('div',class_='zm-item-answer-author-info')        #获取作者信息

      author = {'introduction':'','link':''}

      try:

        author['name'] = authorInfo.find('a',class_='author-link').string       #获得作者的名字

        author['introduction'] = str(authorInfo.find('span',class_='bio')['title']) #获得作者的简介

        author['link'] = authorInfo.find('a',class_='author-link')['href']   

          function(){ //外汇返佣 http://www.fx61.com/  

      except AttributeError:

        author['name'] = '匿名用户'+str(j)

      except TypeError:                                  #简介为空的情况

        pass                                     #匿名用户没有链接

      file_name = os.path.join(store_path,Qtitle,'info',author['name']+'_info.txt')

      if os.path.exists(file_name):              #已经抓取过

        continue

  

      self.saveText(file_name,'{introduction}\r\n{link}'.format(**author))      #保存作者的信息

      print('正在获取用户`{name}`的答案'.format(**author))

      answerContent = answer.find('div',class_='zm-editable-content clearfix')

      if answerContent is None:                #被举报的用户没有答案内容

        continue

  

      imgs = answerContent.find_all('img')

      if len(imgs) == 0:                    #答案没有上图

        pass

      else:

        self._getImgFromAnswer(imgs,Qtitle,**author)

  #收录图片

  def _getImgFromAnswer(self,imgs,Qtitle,**author):

    i = 0

    for img in imgs:

      if 'inline-image' in img['class']:          #不抓取知乎的小图

        continue

      i = i + 1

      imgUrl = img['src']

      extension = os.path.splitext(imgUrl)[1]

      path_name = os.path.join(store_path,Qtitle,author['name']+'_'+str(i)+extension)

      try:

        self.saveImg(imgUrl,path_name)          #捕获各种图片异常，流程不中断

      except:                  

        pass

        

  #收录文字

  def _getTextFromAnswer(self):

    pass

#命令行下运行，例：zhihu.py 1 5   获取1到5页的数据

if __name__ == '__main__':

  page, limit, paramsNum= 1, 0, len(sys.argv)

  if paramsNum>=3:

    page, pageEnd = sys.argv[1], sys.argv[2]

  elif paramsNum == 2:

    page = sys.argv[1]

    pageEnd = page

  else:

    page,pageEnd = 1,1

  spider = zhihuCollectionSpider(page,pageEnd,url)

  spider.start()

原文链接：https://blog.csdn.net/qq_45327272/article/details/103695306

主要实现 爬取一个收藏夹 里 所有问题答案下的 图片

文字信息暂未收录，可自行实现，比图片更简单

具体代码里有详细注释，请自行阅读

项目源码：

# -*- coding:utf-8 -*-

from spider import SpiderHTML

from multiprocessing import Pool

import sys,urllib,http,os,random,re,time

__author__ = 'waiting'

'''

使用了第三方的类库 BeautifulSoup4，请自行安装

需要目录下的spider.py文件

运行环境：python3.4,windows7

'''

#收藏夹的地址

url = 'https://www.zhihu.com/collection/30822111'  #page参数改为代码添加

#本地存放的路径,不存在会自动创建

store_path = 'E:\\zhihu\收藏夹\\会员才知道的世界'

class zhihuCollectionSpider(SpiderHTML):

  def __init__(self,pageStart, pageEnd, url):

    self._url = url

    self._pageStart = int(pageStart)

    self._pageEnd = int(pageEnd)+1

    self.downLimit = 0            #低于此赞同的答案不收录

  def start(self):

    for page in range(self._pageStart,self._pageEnd):    #收藏夹的页数

      url = self._url + '?page='+str(page)

      content = self.getUrl(url)

      questionList = content.find_all('div',class_='zm-item')

      for question in questionList:            #收藏夹的每个问题

        Qtitle = question.find('h2',class_='zm-item-title')

        if Qtitle is None:                #被和谐了

          continue

        questionStr = Qtitle.a.string

        Qurl = 'https://www.zhihu.com'+Qtitle.a['href']  #问题题目

        Qtitle = re.sub(r'[\\/:*?"<>]','#',Qtitle.a.string)      #windows文件/目录名不支持的特殊符号

        try:

          print('-----正在获取问题:'+Qtitle+'-----')    #获取到问题的链接和标题，进入抓取

        except UnicodeEncodeError:

          print(r'---问题含有特殊字符无法显示---')

        try:

          Qcontent = self.getUrl(Qurl)

        except:

          print('!!!!获取出错!!!!!')

          pass

        answerList = Qcontent.find_all('div',class_='zm-item-answer  zm-item-expanded')

        self._processAnswer(answerList,Qtitle)            #处理问题的答案

        time.sleep(5)

  def _processAnswer(self,answerList,Qtitle):

    j = 0      

    for answer in answerList:

      j = j + 1

      

      upvoted = int(answer.find('span',class_='count').string.replace('K','000'))   #获得此答案赞同数

      if upvoted < self.downLimit:

        continue

      authorInfo = answer.find('div',class_='zm-item-answer-author-info')        #获取作者信息

      author = {'introduction':'','link':''}

      try:

        author['name'] = authorInfo.find('a',class_='author-link').string       #获得作者的名字

        author['introduction'] = str(authorInfo.find('span',class_='bio')['title']) #获得作者的简介

        author['link'] = authorInfo.find('a',class_='author-link')['href']   

          function(){ //外汇返佣 http://www.fx61.com/  

      except AttributeError:

        author['name'] = '匿名用户'+str(j)

      except TypeError:                                  #简介为空的情况

        pass                                     #匿名用户没有链接

      file_name = os.path.join(store_path,Qtitle,'info',author['name']+'_info.txt')

      if os.path.exists(file_name):              #已经抓取过

        continue

  

      self.saveText(file_name,'{introduction}\r\n{link}'.format(**author))      #保存作者的信息

      print('正在获取用户`{name}`的答案'.format(**author))

      answerContent = answer.find('div',class_='zm-editable-content clearfix')

      if answerContent is None:                #被举报的用户没有答案内容

        continue

  

      imgs = answerContent.find_all('img')

      if len(imgs) == 0:                    #答案没有上图

        pass

      else:

        self._getImgFromAnswer(imgs,Qtitle,**author)

  #收录图片

  def _getImgFromAnswer(self,imgs,Qtitle,**author):

    i = 0

    for img in imgs:

      if 'inline-image' in img['class']:          #不抓取知乎的小图

        continue

      i = i + 1

      imgUrl = img['src']

      extension = os.path.splitext(imgUrl)[1]

      path_name = os.path.join(store_path,Qtitle,author['name']+'_'+str(i)+extension)

      try:

        self.saveImg(imgUrl,path_name)          #捕获各种图片异常，流程不中断

      except:                  

        pass

        

  #收录文字

  def _getTextFromAnswer(self):

    pass

#命令行下运行，例：zhihu.py 1 5   获取1到5页的数据

if __name__ == '__main__':

  page, limit, paramsNum= 1, 0, len(sys.argv)

  if paramsNum>=3:

    page, pageEnd = sys.argv[1], sys.argv[2]

  elif paramsNum == 2:

    page = sys.argv[1]

    pageEnd = page

  else:

    page,pageEnd = 1,1

  spider = zhihuCollectionSpider(page,pageEnd,url)

  spider.start()

原文链接：https://blog.csdn.net/qq_45327272/article/details/103695306