python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > 零基础写python爬虫之抓取百度贴吧并存储到本地txt文件改进版

零基础写python爬虫之抓取百度贴吧并存储到本地txt文件改进版

投稿:hebedich

前面已经发了一篇关于百度贴吧抓取的代码,今天我们来看下代码的改进版,参考了上篇抓取糗事百科的思路,给需要的小伙伴们参考下吧

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:

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:

复制代码 代码如下:

# -*- 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() 

以上就是改进之后的抓取百度贴吧的全部代码了,非常的简单实用吧,希望能对大家有所帮助

您可能感兴趣的文章:
阅读全文