看知乎的时候发现了一个 “如何正确地吐槽” 收藏夹，里面的一些神回复实在很搞笑，但是一页一页地看又有点麻烦，而且每次都要打开网页，于是想如果全部爬下来到一个文件里面，是不是看起来很爽，并且随时可以看到全部的，于是就开始动手了。
工具
1.python 2.7
2.beautifulsoup
分析网页
我们先来看看知乎上该网页的情况
网址：
，容易看到，网址是有规律的，page慢慢递增，这样就能够实现全部爬取了。
再来看一下我们要爬取的内容：
我们要爬取两个内容：问题和回答，回答仅限于显示了全部内容的回答，如下面这种就不能爬取，因为好像无法展开（反正我不会。。），再说答案不全的话爬来也没用，所以就不爬答案不全的了吧。
好，那么下面我们要找到他们在网页源代码中的位置：
即我们找到问题的内容包含在中，那么我们等会就可以在这个标签里面找问题。
然后是回复：
有两个地方都有回复的内容，因为上面那个的内容还包括了等一些内容，不方便处理，我们爬下面那个的内容，因为那个里面的内容纯正无污染。
代码
好，这时候我们试着写出python代码：
代码如下:
# -*- coding: cp936 -*-
import urllib2
from beautifulsoup import beautifulsoup
f = open(‘howtotucao.txt’,’w’) #打开文件
for pagenum in range(1,21): #从第1页爬到第20页
strpagenum = str(pagenum) #页数的str表示
print “getting data for page ” + strpagenum #shell里面显示的，表示已爬到多少页
url = “http://www.zhihu.com/collection/27109279?page=”+strpagenum #网址
page = urllib2.urlopen(url) #打开网页
soup = beautifulsoup(page) #用beautifulsoup解析网页
#找到具有class属性为下面两个的所有tag
all = soup.findall(attrs = {‘class’ : [‘zm-item-title’,’zh-summary summary clearfix’] })
for each in all : #枚举所有的问题和回答
#print type(each.string)
#print each.name
if each.name == ‘h2’ : #如果tag为h2类型，说明是问题
print each.a.string #问题中还有一个，所以要each.a.string取出内容
if each.a.string: #如果非空，才能写入
f.write(each.a.string)
else : #否则写”no answer”
f.write(“no answer”)
else : #如果是回答，同样写入
print each.string
if each.string:
f.write(each.string)
else :
f.write(“no answer”)
f.close() #关闭文件
代码虽然不常，可是写了我半天，开始各种出问题。
运行
然后我们运行就可以爬了：
结果
等运行完毕，我们打开文件howtotucao.txt，可以看到，这样就爬取成功了。只是格式可能还是有点问题，原来是我no answer没加换行，所以no answer还会混到文本里面去，加两个换行就可以了。
