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/'))
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
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
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 + ' ' + data + ' ') self.floor += 1
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 或者 或者 空格 或者 超链接 或者 图片 BgnCharToNoneRex = re.compile("( | | |<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(" ", x) x = self.CharToNewLineRex.sub(" ", x) x = self.CharToNextTabRex.sub(" ", 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 + ' ' + data + ' ') 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：
