你好,游客 登录
背景:
阅读新闻

Python爬虫基础知识:百度贴吧网络爬虫及源码分享

[日期:2017-09-07] 来源:百家号  作者:python学习开发 [字体: ]

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:

# -*- 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| ||)" )

# 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

标签

BgnPartRex = re.compile( "" )

CharToNewLineRex = re.compile( "(|

||

|

)")

CharToNextTabRex = re.compile( "" )

# 将一些html的符号实体转变为原始符号

replaceTab = [( "<"< span=""> , "<"< span=""> ),( ">" , ">" ),( "&" , "&" ),( "&" , "\"" ),( " " , " " )]

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12页" 来获取一共有多少页

myMatch = re.search(r 'class="red">(\d+?)', 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 xxxxxxxxxx 找出标题

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

title = u '暂无标题'

title = myMatch.group( 1 )

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()

# 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.*?>(.*?)

',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()

收藏 推荐 打印 | 阅读: