糖豆贴心提醒，本文阅读时间6分钟

百度贴吧的爬虫制作和糗百的爬虫制作原理基本相同，都是通过查看源码扣出关键数据，然后将其存储到本地txt文件。

项目内容：

用Python写的百度贴吧的网络爬虫。

使用方法：

新建一个BugBaidu.py文件，然后将代码复制到里面后，双击运行。

程序功能：

将贴吧中楼主发布的内容打包txt存储到本地。

原理解释：

首先，先浏览一下某一条贴吧，点击只看楼主并点击第二页之后url发生了一点变化，变成了：

http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1

可以看出来，see_lz=1是只看楼主，pn=1是对应的页码，记住这一点为以后的编写做准备。

这就是我们需要利用的url。

接下来就是查看页面源码。

首先把题目抠出来存储文件的时候会用到。

可以看到百度使用gbk编码，标题使用h1标记：

同样，正文部分用div和class综合标记，接下来要做的只是用正则表达式来匹配即可。

运行截图：

生成的txt文件：

以下为本次项目源码：

1. # -*- coding: utf-8 -*-  

2. #---------------------------------------  

3. #   程序：百度贴吧爬虫  

4. #   版本：0.5  

5. #   作者：why  

6. #   日期：2013-05-16  

7. #   语言：Python 2.7  

8. #   操作：输入网址后自动只看楼主并保存到本地文件  

9. #   功能：将楼主发布的内容打包txt存储到本地。  

10. #---------------------------------------  

11.    

12. import string  

13. import urllib2  

14. import re  

15.   

16. #----------- 处理页面上的各种标签 -----------  

17. class HTML_Tool:  

18.     # 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  

19.     BgnCharToNoneRex = re.compile("(\t|\n| ||)")  

20.       

21.     # 用非 贪婪模式 匹配 任意<>标签  

22.     EndCharToNoneRex = re.compile("<.>")  

23.   

24.     # 用非 贪婪模式 匹配 任意

    标签

      

25.     BgnPartRex = re.compile("")  

26.     CharToNewLineRex = re.compile("(
    |

    ||
    |
    )")  

27.     CharToNextTabRex = re.compile("

    ")  

28.   

29.     # 将一些html的符号实体转变为原始符号  

30.     replaceTab = [(","),(">",">"),("&","&"),("&","\""),(" "," ")]  

31.       

32.     def Replace_Char(self,x):  

33.         x = self.BgnCharToNoneRex.sub("",x)  

34.         x = self.BgnPartRex.sub("\n    ",x)  

35.         x = self.CharToNewLineRex.sub("\n",x)  

36.         x = self.CharToNextTabRex.sub("\t",x)  

37.         x = self.EndCharToNoneRex.sub("",x)  

38.   

39.         for t in self.replaceTab:    

40.             x = x.replace(t[0],t[1])    

41.         return x    

42.       

43. class Baidu_Spider:  

44.     # 申明相关的属性  

45.     def __init__(self,url):    

46.         self.myUrl = url + '?see_lz=1'  

47.         self.datas = []  

48.         self.myTool = HTML_Tool()  

49.         print u'已经启动百度贴吧爬虫，咔嚓咔嚓'  

50.     

51.     # 初始化加载页面并将其转码储存  

52.     def baidu_tieba(self):  

53.         # 读取页面的原始信息并将其从gbk转码  

54.         myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")  

55.         # 计算楼主发布内容一共有多少页  

56.         endPage = self.page_counter(myPage)  

57.         # 获取该帖的标题  

58.         title = self.find_title(myPage)  

59.         print u'文章名称：' + title  

60.         # 获取最终的数据  

61.         self.save_data(self.myUrl,title,endPage)  

62.   

63.     #用来计算一共有多少页  

64.     def page_counter(self,myPage):  

65.         # 匹配 "共有12页" 来获取一共有多少页  

66.         myMatch = re.search(r'class="red">(\d+?)', myPage, re.S)  

67.         if myMatch:    

68.             endPage = int(myMatch.group(1))  

69.             print u'爬虫报告：发现楼主共有%d页的原创内容' % endPage  

70.         else:  

71.             endPage = 0  

72.             print u'爬虫报告：无法计算楼主发布内容有多少页！'  

73.         return endPage  

74.   

75.     # 用来寻找该帖的标题  

76.     def find_title(self,myPage):  

77.         # 匹配 

    xxxxxxxxxx

     找出标题  

78.         myMatch = re.search(r'(.*?)', myPage, re.S)  

79.         title = u'暂无标题'  

80.         if myMatch:  

81.             title  = myMatch.group(1)  

82.         else:  

83.             print u'爬虫报告：无法加载文章标题！'  

84.         # 文件名不能包含以下字符： \ / ： * ? "  |  

85.         title = title.replace('\\','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','')  

86.         return title  

87.   

88.   

89.     # 用来存储楼主发布的内容  

90.     def save_data(self,url,title,endPage):  

91.         # 加载页面数据到数组中  

92.         self.get_data(url,endPage)  

93.         # 打开本地文件  

94.         f = open(title+'.txt','w+')  

95.         f.writelines(self.datas)  

96.         f.close()  

97.         print u'爬虫报告：文件已下载到本地并打包成txt文件'  

98.         print u'请按任意键退出...'  

99.         raw_input();  

100.   

101.     # 获取页面源码并将其存储到数组中  

102.     def get_data(self,url,endPage):  

103.         url = url + '&pn='  

104.         for i in range(1,endPage+1):  

105.             print u'爬虫报告：爬虫%d号正在加载中...' % i  

106.             myPage = urllib2.urlopen(url + str(i)).read()  

107.             # 将myPage中的html代码处理并存储到datas里面  

108.             self.deal_data(myPage.decode('gbk'))  

109.               

110.   

111.     # 将内容从页面代码中抠出来  

112.     def deal_data(self,myPage):  

113.         myItems = re.findall('id="post_content.*?>(.*?)',myPage,re.S)  

114.         for item in myItems:  

115.             data = self.myTool.Replace_Char(item.replace("\n","").encode('gbk'))  

116.             self.datas.append(data+'\n')  

117.   

118.   

119.   

120. #-------- 程序入口处 ------------------  

121. print u"""#--------------------------------------- 

122. #   程序：百度贴吧爬虫 

123. #   版本：0.5 

124. #   作者：why 

125. #   日期：2013-05-16 

126. #   语言：Python 2.7 

127. #   操作：输入网址后自动只看楼主并保存到本地文件 

128. #   功能：将楼主发布的内容打包txt存储到本地。 

129. #--------------------------------------- 

130. """  

131.   

132. # 以某小说贴吧为例子  

133. # bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1'  

134.   

135. print u'请输入贴吧的地址最后的数字串：'  

136. bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))   

137.   

138. #调用  

139. mySpider = Baidu_Spider(bdurl)  

140. mySpider.baidu_tieba()  









---

    今日值班： 马哥教育三号女神学习顾问，暖心之处甜过初恋，脑洞大开会LOL神迹，可正经可搞笑，常陪伴0基础学员高效成长，深夜凌晨常有她与你的陪伴，据说她服务的学员是成长最快的。




内容沟通、职业成长和课程学习，可添加学习顾问：



    【扫一扫即可撩】





特别提醒

3.15真诚大回馈，全部课程限时优惠：

Linux面授24期班：前20名优惠400元，仅剩2个席位

添加课程顾问即可获取优惠详情！



赞赏

阅读
投诉
精选留言

该文章作者已设置需关注才可以留言

写留言

该文章作者已设置需关注才可以留言

写留言

加载中

以上留言由公众号筛选后显示

了解留言功能详情

微信扫一扫
关注该公众号