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. #---------------------------------------

12. import string

13. import urllib2

14. import re

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| | | )" )

21. # 用非 贪婪模式 匹配 任意<>标签

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

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( "

    " )

29. # 将一些html的符号实体转变为原始符号

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

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)

39. for t in self .replaceTab:

40. x = x.replace(t[ 0 ],t[ 1 ])

41. return x

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'

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)

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

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

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();

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' ))

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' )

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. """

132. # 以某小说贴吧为例子

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

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/' ))

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