python爬虫实战（2）--爬取百度贴吧

本篇目标

1.对百度贴吧的任意帖子进行抓取

2.指定是否只抓取楼主发帖内容

3.将抓取到的内容分析并保存到文件

1.URL格式的确定

先观察百度贴吧url格式，以中南财经政法大学迎新帖为例，URL我们划分基础部分是 http://tieba.baidu.com/p/5174106966，参数部分是 ?see_lz=1&pn=1

2.页面的抓取

一个初始化方法，一个获取页面的方法。另外，获取页面的方法我们需要知道一个参数就是帖子页码，所以这个参数的指定我们放在该方法中。

class Baidu_Spider:
    # 申明相关的属性
    def __init__(self, url):
        self.myUrl = url + '?see_lz=1'
        self.datas = []
        self.myTool = HTML_Tool()
        self.floor = 1
        print u'已经启动百度贴吧爬虫'

        # 初始化加载页面并将其转码储存

    def baidu_tieba(self):
        # 读取页面的原始信息并将其从utf-8转码
        myPage = urllib2.urlopen(self.myUrl).read().decode('utf-8')
        # 计算楼主发布内容一共有多少页
        endPage = self.page_counter(myPage)
        # 获取该帖的标题
        title = self.find_title(myPage)
        print u'文章名称：' + title
        # 获取最终的数据
        self.save_data(self.myUrl, title, endPage)

# 以中南财经政法大学迎新帖为例子
# bdurl = 'http://tieba.baidu.com/p/5174106966?see_lz=1&pn=1'

print u'请输入贴吧的地址最后的数字串：'
bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))

初始代码

3.提取相关信息

1）提取帖子页数

        # 用来计算一共有多少页

    def page_counter(self, myPage):
        # 匹配 "共有<span class="red">12</span>页" 来获取一共有多少页
        myMatch = re.search(r'class="red">(\d+?)</span>', myPage, re.S)
        if myMatch:
            endPage = int(myMatch.group(1))
            print u'爬虫报告：发现楼主共有%d页的原创内容' % endPage
        else:
            endPage = 0
            print u'爬虫报告：无法计算楼主发布内容有多少页！'
        return endPage

提取页数

2）提取帖子标题

        # 用来寻找该帖的标题

    def find_title(self, myPage):
        # 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出标题
        myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)
        title = u'暂无标题'
        if myMatch:
            title = myMatch.group(1)
        else:
            print u'爬虫报告：无法加载文章标题！'
            # 文件名不能包含以下字符： \ / ： * ? " < > |
        title = title.replace('\\', '').replace('/', '').replace(':', '').replace('*', '').replace('?', '').replace('"',
                                                                                                                    '').replace(
            '>', '').replace('<', '').replace('|', '')
        return title

提取标题

3）获取信息并保存

        # 用来存储楼主发布的内容

    def save_data(self, url, title, endPage):
        # 加载页面数据到数组中
        self.get_data(url, endPage)
        # 打开本地文件
        f = open(title + '.txt', 'w+')
        f.writelines(self.datas)
        f.close()
        print u'爬虫报告：文件已下载到本地并打包成txt文件'
        print u'请按任意键退出...'
        raw_input();

        # 获取页面源码并将其存储到数组中

    def get_data(self, url, endPage):
        url = url + '&pn='
        for i in range(1, endPage + 1):
            print u'爬虫报告：爬虫%d号正在加载中...' % i
            myPage = urllib2.urlopen(url + str(i)).read().decode('utf-8')
            # 将myPage中的html代码处理并存储到datas里面
            self.deal_data(myPage)

            # 将内容从页面代码中抠出来

    def deal_data(self, myPage):
        myItems = re.findall('id="post_content.*?>(.*?)</div>', myPage, re.S)
        for item in myItems:
            data = self.myTool.Replace_Char(item.encode('gbk'))
            myFloor = (str(self.floor) + "楼--------------------------------------").decode('utf-8').encode('gbk')
            self.datas.append(myFloor + '\n\n' + data + '\n\n')
            self.floor += 1

提取信息

4.完善代码

# -*- coding: utf-8 -*-
# ---------------------------------------
#   程序：百度贴吧爬虫
#   作者：lzhc
#   日期：2017-12-11
#   语言：Python 2.7
#   操作：输入网址后自动只看楼主并保存到本地文件
#   功能：将楼主发布的内容打包txt存储到本地。
# ---------------------------------------

import string
import urllib2
import re

# ----------- 处理页面上的各种标签 -----------
class HTML_Tool:
    # 用非 贪婪模式 匹配 \t 或者 \n 或者 空格 或者 超链接 或者 图片
    BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")

    # 用非 贪婪模式 匹配 任意<>标签
    EndCharToNoneRex = re.compile("<.*?>")

    # 用非 贪婪模式 匹配 任意<p>标签
    BgnPartRex = re.compile("<p.*?>")
    CharToNewLineRex = re.compile("(<br>|</p>|<tr>|<div>|</div>)")
    CharToNextTabRex = re.compile("<td>")

    def Replace_Char(self, x):
        x = self.BgnCharToNoneRex.sub("", x)
        x = self.BgnPartRex.sub("\n    ", x)
        x = self.CharToNewLineRex.sub("\n", x)
        x = self.CharToNextTabRex.sub("\t", x)
        x = self.EndCharToNoneRex.sub("", x)
        return x

class Baidu_Spider:
    # 申明相关的属性
    def __init__(self, url):
        self.myUrl = url + '?see_lz=1'
        self.datas = []
        self.myTool = HTML_Tool()
        self.floor = 1
        print u'已经启动百度贴吧爬虫'

        # 初始化加载页面并将其转码储存

    def baidu_tieba(self):
        # 读取页面的原始信息并将其从utf-8转码
        myPage = urllib2.urlopen(self.myUrl).read().decode('utf-8')
        # 计算楼主发布内容一共有多少页
        endPage = self.page_counter(myPage)
        # 获取该帖的标题
        title = self.find_title(myPage)
        print u'文章名称：' + title
        # 获取最终的数据
        self.save_data(self.myUrl, title, endPage)

        # 用来计算一共有多少页

    def page_counter(self, myPage):
        # 匹配 "共有<span class="red">12</span>页" 来获取一共有多少页
        myMatch = re.search(r'class="red">(\d+?)</span>', myPage, re.S)
        if myMatch:
            endPage = int(myMatch.group(1))
            print u'爬虫报告：发现楼主共有%d页的原创内容' % endPage
        else:
            endPage = 0
            print u'爬虫报告：无法计算楼主发布内容有多少页！'
        return endPage

        # 用来寻找该帖的标题

    def find_title(self, myPage):
        # 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出标题
        myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)
        title = u'暂无标题'
        if myMatch:
            title = myMatch.group(1)
        else:
            print u'爬虫报告：无法加载文章标题！'
            # 文件名不能包含以下字符： \ / ： * ? " < > |
        title = title.replace('\\', '').replace('/', '').replace(':', '').replace('*', '').replace('?', '').replace('"',
                                                                                                                    '').replace(
            '>', '').replace('<', '').replace('|', '')
        return title

        # 用来存储楼主发布的内容

    def save_data(self, url, title, endPage):
        # 加载页面数据到数组中
        self.get_data(url, endPage)
        # 打开本地文件
        f = open(title + '.txt', 'w+')
        f.writelines(self.datas)
        f.close()
        print u'爬虫报告：文件已下载到本地并打包成txt文件'
        print u'请按任意键退出...'
        raw_input();

        # 获取页面源码并将其存储到数组中

    def get_data(self, url, endPage):
        url = url + '&pn='
        for i in range(1, endPage + 1):
            print u'爬虫报告：爬虫%d号正在加载中...' % i
            myPage = urllib2.urlopen(url + str(i)).read().decode('utf-8')
            # 将myPage中的html代码处理并存储到datas里面
            self.deal_data(myPage)

            # 将内容从页面代码中抠出来

    def deal_data(self, myPage):
        myItems = re.findall('id="post_content.*?>(.*?)</div>', myPage, re.S)
        for item in myItems:
            data = self.myTool.Replace_Char(item.encode('gbk'))
            myFloor = (str(self.floor) + "楼--------------------------------------").decode('utf-8').encode('gbk')
            self.datas.append(myFloor + '\n\n' + data + '\n\n')
            self.floor += 1

            # -------- 程序入口处 ------------------

print u"""#---------------------------------------
#   程序：百度贴吧爬虫
#   作者：lzhc
#   日期：2017-12-11
#   语言：Python 2.7
#   操作：输入网址后自动只看楼主并保存到本地文件
#   功能：将楼主发布的内容打包txt存储到本地。
#---------------------------------------
"""

# 以中南财经政法大学迎新帖为例子
# bdurl = 'http://tieba.baidu.com/p/5174106966?see_lz=1&pn=1'

print u'请输入贴吧的地址最后的数字串：'
bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))

# 调用
mySpider = Baidu_Spider(bdurl)
mySpider.baidu_tieba()

运行结果：

记入记事本中的内容：