专栏名称: 马哥Linux运维
马哥linux致力于linux运维培训,连续多年排名第一,订阅者可免费获得学习机会和相关Linux独家实战资料!
目录
相关文章推荐
InfoQ架构头条  ·  Safe C++提案能复制Rust的内存安全性吗? ·  昨天  
InfoQ架构头条  ·  从架构角度认识AI:为架构师解读机器学习与生 ... ·  1 周前  
51好读  ›  专栏  ›  马哥Linux运维

Python爬虫基础知识:百度贴吧网络爬虫及源码分享

马哥Linux运维  · 公众号  · 运维  · 2017-03-27 08:03

正文

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()  




  141.     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!