Python爬虫实战：抓取多页天涯帖子及数据清洗技巧

云舒

发布时间：2026-10-13 | 2人浏览过

原创

本文介绍使用Python抓取多页天涯论坛帖子的实战技巧。重点解析BeautifulSoup中find_all与select的选择器差异，演示如何利用zip函数合并作者与内容数据，并构建双层URL结构实现分页抓取，同时探讨多属性筛选的可行性。

本次练习旨在通过Python抓取天涯论坛的多页帖子，主要复习了以下核心知识点：

掌握soup.find_all与soup.select两种筛选方法及其对应的参数差异；
学习在需要返回多个组合内容时，如何正确使用zip()函数进行数据整合；
理解并构建两层代码逻辑结构之间的关系；

此处存在一个技术疑问：当HTML标签包含多个属性时，soup.find_all()方法是否支持同时传入多个属性以缩小查找范围？

# 引入库和请求头文件
import requests
from bs4 import BeautifulSoup
headers = {
  'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'
}

# 定义主体函数。函数主体由四部分组成：
#1.请求网址
#2.解析网页，形成可查找的html格式
#3.通过soup.select或者sopu.find_all查找需要的标签
#4.通过zip()代码将多个内容合并在一起

def get_content(url):
  res = requests.get(url,headers = headers)
  res.encoding = 'utf-8'
  soup = BeautifulSoup(res.text,'html.parser')
  contents = soup.find_all('div','bbs-content')
  authors = soup.find_all('a','js-vip-check')
  for author,content in zip(authors,contents):
    data = {
    'author':author.get_text().strip(),
    'content': content.get_text().strip()
  }
    print(data)
# 在这里构造一个两层链接结构：帖子的1、2、3、4页和帖子的详情页的关系在这里实现
if __name__ == '__main__':
  urls = ['http://bbs.tianya.cn/post-develop-2271894-{}.shtml'.format(str(i)) for i in range (1,5)] # 要注意，这里的‘5'是不包括在范围里的
  for url in urls:
    get_content(url)