转 Python爬虫实战二之爬取百度贴吧帖子

静觅 » Python爬虫实战二之爬取百度贴吧帖子

大家好，上次我们实验了爬取了糗事百科的段子，那么这次我们来尝试一下爬取百度贴吧的帖子。与上一篇不同的是，这次我们需要用到文件的相关操作。

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

首先，我们先观察一下百度贴吧的任意一个帖子。

比如：http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1，这是一个关于NBA50大的盘点，分析一下这个地址。

 

 http://  代表资源传输使用http协议
 tieba.baidu.com 是百度的二级域名，指向百度贴吧的服务器。
 /p/3138733512 是服务器某个资源，即这个帖子的地址定位符
 see_lz和pn是该URL的两个参数，分别代表了只看楼主和帖子页码，等于1表示该条件为真

所以我们可以把URL分为两部分，一部分为基础部分，一部分为参数部分。

例如，上面的URL我们划分基础部分是 http://tieba.baidu.com/p/3138733512，参数部分是 ?see_lz=1&pn=1

2.页面的抓取

熟悉了URL的格式，那就让我们用urllib2库来试着抓取页面内容吧。上一篇糗事百科我们最后改成了面向对象的编码方式，这次我们直接尝试一下，定义一个类名叫BDTB(百度贴吧)，一个初始化方法，一个获取页面的方法。

其中，有些帖子我们想指定给程序是否要只看楼主，所以我们把只看楼主的参数初始化放在类的初始化上，即init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。

综上，我们初步构建出基础代码如下：

 # -*- coding:utf-8 -*-
 import urllib
 import urllib2
 import re
 import sys     #
 import thread
 import time

 #百度贴吧爬虫类
 #http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1
 class BDTB(object):
     """docstring for QSBK"""
     #初始化，传入基地址，是否只看楼主的参数
     def __init__(self,baseURL,seeLZ):
         self.baseURL = baseURL
         self.seeLZ = '?see_lz='+str(seeLZ)

     #传入页码，获取该页帖子的代码
     def getPage(self,pageNum):
         try:
             url = self.baseURL + self.seeLZ + '&pn=' + str(pageNum)
             request = urllib2.Request(url)
             response = urllib2.urlopen(request)
             #pageCode = response.read().decode('utf-8')
             print url + '\n'
             print response.read()
             return response
         except urllib2.URLError, e:
             if hasattr(e,"code"):
                 print e.code
             if hasattr(e,"reason"):
                 print e.reason
                 return None

 if __name__ == '__main__':
     baseURL = 'http://tieba.baidu.com/p/3138733512'
     bdtb = BDTB(baseURL,1)
     bdtb.getPage(1)

3.提取相关信息

1）提取帖子标题

首先，让我们提取帖子的标题。

在浏览器中审查元素，或者按F12，查看页面源代码，我们找到标题所在的代码段，可以发现这个标题的HTML代码是

#<h3 class="core_title_txt pull-left text-overflow  " title="纯原创我心中的NBA2014-2015赛季现役50大" style="width: 396px">纯原创我心中的NBA2014-2015赛季现役50大</h3>

 

所以我们想提取<h1>标签中的内容，同时还要指定这个class确定唯一，因为h1标签实在太多啦。

正则表达式如下

<h3 class="core_title_txt.*?>(.*?)</h3>

 

所以，我们增加一个获取页面标题的方法

 

     def getTitle(self):
         page = self.getPage(1)
         pattern = re.compile('<h3 class="core_title_txt.*?>(.*?)</h3>',re.S)
         result = re.search(pattern,page)
         if result:
             print result.group(1)
             return result.group(1).strip()
         else:
             return None

2）提取帖子页数

同样地，帖子总页数我们也可以通过分析页面中的共?页来获取。所以我们的获取总页数的方法如下

 def getPageNum(self):
         page = self.getPage(1)
         pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)
         result = re.search(pattern,page)
         if result:
             #print result.group(1)  #测试输出
             return result.group(1).strip()
         else:
             return None

3）提取正文内容

审查元素，我们可以看到百度贴吧每一层楼的主要内容都在<div id=”post_content_xxxx”></div>标签里面，所以我们可以写如下的正则表达式

 

<div id="post_content_.*?>(.*?)</div>

相应地，获取页面所有楼层数据的方法可以写成如下方法

 #获取每一层楼的内容,传入页面内容
     def getContent(self,page):
         pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
         items = re.findall(pattern,page)
         for item in items:
             print item

真是醉了，还有一大片换行符和图片符，好口怕！既然这样，我们就要对这些文本进行处理，把各种各样复杂的标签给它剔除掉，还原精华内容，把文本处理写成一个方法也可以，不过为了实现更好的代码架构和代码重用，我们可以考虑把标签等的处理写作一个类。

那我们就叫它Tool（工具类吧），里面定义了一个方法，叫replace，是替换各种标签的。在类中定义了几个正则表达式，主要利用了re.sub方法对文本进行匹配后然后替换。具体的思路已经写到注释中，大家可以看一下这个类