基于Python實現(xiàn)的百度貼吧網(wǎng)絡(luò)爬蟲實例

更新時間：2015年04月17日 16:39:56 作者：請叫我汪海

這篇文章主要介紹了基于Python實現(xiàn)的百度貼吧網(wǎng)絡(luò)爬蟲,實例分析了Python實現(xiàn)網(wǎng)絡(luò)爬蟲的相關(guān)技巧,非常具有實用價值,需要的朋友可以參考下

本文實例講述了基于Python實現(xiàn)的百度貼吧網(wǎng)絡(luò)爬蟲。分享給大家供大家參考。具體如下：

完整實例代碼點擊此處本站下載。

項目內(nèi)容：

用Python寫的百度貼吧的網(wǎng)絡(luò)爬蟲。

使用方法：

新建一個BugBaidu.py文件，然后將代碼復(fù)制到里面后，雙擊運行。

程序功能：

將貼吧中樓主發(fā)布的內(nèi)容打包txt存儲到本地。

原理解釋：

首先，先瀏覽一下某一條貼吧，點擊只看樓主并點擊第二頁之后url發(fā)生了一點變化，變成了：
http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1

可以看出來，see_lz=1是只看樓主，pn=1是對應(yīng)的頁碼，記住這一點為以后的編寫做準(zhǔn)備。
這就是我們需要利用的url。
接下來就是查看頁面源碼。
首先把題目摳出來存儲文件的時候會用到。
可以看到百度使用gbk編碼，標(biāo)題使用h1標(biāo)記：

復(fù)制代碼代碼如下:

<h1 class="core_title_txt" title="【原創(chuàng)】時尚首席（關(guān)于時尚，名利，事業(yè)，愛情，勵志）">【原創(chuàng)】時尚首席（關(guān)于時尚，名利，事業(yè)，愛情，勵志）</h1>

同樣，正文部分用div和class綜合標(biāo)記，接下來要做的只是用正則表達(dá)式來匹配即可。

運行截圖：

生成的txt文件：

# -*- coding: utf-8 -*- 
#--------------------------------------- 
#  程序：百度貼吧爬蟲 
#  版本：0.5 
#  作者：why 
#  日期：2013-05-16 
#  語言：Python 2.7 
#  操作：輸入網(wǎng)址后自動只看樓主并保存到本地文件 
#  功能：將樓主發(fā)布的內(nèi)容打包txt存儲到本地。 
#--------------------------------------- 
import string 
import urllib2 
import re 
#----------- 處理頁面上的各種標(biāo)簽 ----------- 
class HTML_Tool: 
  # 用非 貪婪模式 匹配 \t 或者 \n 或者 空格 或者 超鏈接 或者 圖片 
  BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)") 
  # 用非 貪婪模式 匹配 任意<>標(biāo)簽 
  EndCharToNoneRex = re.compile("<.*?>") 
  # 用非 貪婪模式 匹配 任意<p>標(biāo)簽 
  BgnPartRex = re.compile("<p.*?>") 
  CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)") 
  CharToNextTabRex = re.compile("<td>") 
  # 將一些html的符號實體轉(zhuǎn)變?yōu)樵挤?
  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: 
  # 申明相關(guān)的屬性 
  def __init__(self,url):  
    self.myUrl = url + '?see_lz=1' 
    self.datas = [] 
    self.myTool = HTML_Tool() 
    print u'已經(jīng)啟動百度貼吧爬蟲，咔嚓咔嚓' 
  # 初始化加載頁面并將其轉(zhuǎn)碼儲存 
  def baidu_tieba(self): 
    # 讀取頁面的原始信息并將其從gbk轉(zhuǎn)碼 
    myPage = urllib2.urlopen(self.myUrl).read().decode("gbk") 
    # 計算樓主發(fā)布內(nèi)容一共有多少頁 
    endPage = self.page_counter(myPage) 
    # 獲取該帖的標(biāo)題 
    title = self.find_title(myPage) 
    print u'文章名稱：' + title 
    # 獲取最終的數(shù)據(jù) 
    self.save_data(self.myUrl,title,endPage) 
  #用來計算一共有多少頁 
  def page_counter(self,myPage): 
    # 匹配 "共有<span class="red">12</span>頁" 來獲取一共有多少頁 
    myMatch = re.search(r'class="red">(\d+?)</span>', myPage, re.S) 
    if myMatch:  
      endPage = int(myMatch.group(1)) 
      print u'爬蟲報告：發(fā)現(xiàn)樓主共有%d頁的原創(chuàng)內(nèi)容' % endPage 
    else: 
      endPage = 0 
      print u'爬蟲報告：無法計算樓主發(fā)布內(nèi)容有多少頁！' 
    return endPage 
  # 用來尋找該帖的標(biāo)題 
  def find_title(self,myPage): 
    # 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出標(biāo)題 
    myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S) 
    title = u'暫無標(biāo)題' 
    if myMatch: 
      title = myMatch.group(1) 
    else: 
      print u'爬蟲報告：無法加載文章標(biāo)題！' 
    # 文件名不能包含以下字符： \ / ： * ? " < > | 
    title = title.replace('\\','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','') 
    return title 
  # 用來存儲樓主發(fā)布的內(nèi)容 
  def save_data(self,url,title,endPage): 
    # 加載頁面數(shù)據(jù)到數(shù)組中 
    self.get_data(url,endPage) 
    # 打開本地文件 
    f = open(title+'.txt','w+') 
    f.writelines(self.datas) 
    f.close() 
    print u'爬蟲報告：文件已下載到本地并打包成txt文件' 
    print u'請按任意鍵退出...' 
    raw_input(); 
  # 獲取頁面源碼并將其存儲到數(shù)組中 
  def get_data(self,url,endPage): 
    url = url + '&pn=' 
    for i in range(1,endPage+1): 
      print u'爬蟲報告：爬蟲%d號正在加載中...' % i 
      myPage = urllib2.urlopen(url + str(i)).read() 
      # 將myPage中的html代碼處理并存儲到datas里面 
      self.deal_data(myPage.decode('gbk')) 
  # 將內(nèi)容從頁面代碼中摳出來 
  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') 
 
#-------- 程序入口處 ------------------ 
print u"""#--------------------------------------- 
#  程序：百度貼吧爬蟲 
#  版本：0.5 
#  作者：why 
#  日期：2013-05-16 
#  語言：Python 2.7 
#  操作：輸入網(wǎng)址后自動只看樓主并保存到本地文件 
#  功能：將樓主發(fā)布的內(nèi)容打包txt存儲到本地。 
#--------------------------------------- 
""" 
# 以某小說貼吧為例子 
# bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1' 
print u'請輸入貼吧的地址最后的數(shù)字串：' 
bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))  
#調(diào)用 
mySpider = Baidu_Spider(bdurl) 
mySpider.baidu_tieba()

希望本文所述對大家的Python程序設(shè)計有所幫助。

您可能感興趣的文章: