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/' target='_blank'>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：
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：
复制代码 代码如下:<h1 class="core_title_txt" title="【原创】时尚首席（关于时尚，名利，事业，爱情，励志）">【原创】时尚首席（关于时尚，名利，事业，爱情，励志）</h1>

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：

# -*- 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 class="red">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' % 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 <h1 class="core_title_txt" title="">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('/','').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.*?>(.*?)</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。