基于Python实现的百度贴吧网络爬虫实例

本文实例讲述了基于Python实现的百度贴吧网络爬虫。分享给大家供大家参考。具体如下：

完整实例代码点击此处本站下载。

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：
?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：

复制代码 代码如下:

<h1 src="http://www.vevb.com/uploads/allimg/150421/1101396064_1.png?2015317164926" />

生成的txt文件：

# -*- coding: utf-8 -*- #--------------------------------------- # 程序：百度贴吧爬虫 # 版本：0.5 # 作者：why # 日期：2013-05-16 # 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 /t 或者 /n 或者 空格 或者 超链接 或者 图片BgnCharToNoneRex = re.compile("(/t|/n| |<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>")# 将一些html的符号实体转变为原始符号replaceTab = [("<","<"),(">",">"),("&","&"),("&","/""),(" "," ")]def Replace_Char(self,x):x = self.BgnCharToNoneRex.sub("",x)x = self.BgnPartRex.sub("/n ",x)x = self.CharToNewLineRex.sub("/n",x)x = self.CharToNextTabRex.sub("/t",x)x = self.EndCharToNoneRex.sub("",x)for t in self.replaceTab:x = x.replace(t[0],t[1])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()print u'已经启动百度贴吧爬虫，咔嚓咔嚓'# 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gbk转码myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")# 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>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' % endPageelse:endPage = 0print 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 >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('http://www.vevb.com/','').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...' % imyPage = urllib2.urlopen(url + str(i)).read()# 将myPage中的html代码处理并存储到datas里面self.deal_data(myPage.decode('gbk'))# 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.replace("/n","").encode('gbk'))self.datas.append(data+'/n')#-------- 程序入口处 ------------------ print u"""#--------------------------------------- # 程序：百度贴吧爬虫 # 版本：0.5 # 作者：why # 日期：2013-05-16 # 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。 #--------------------------------------- """ # 以某小说贴吧为例子 # bdurl = 'http://tieba.baidu.com/p/2296712428?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()

希望本文所述对大家的Python程序设计有所帮助。