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

发表于 5年以前 | 总阅读数：1240 次

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:

【原创】时尚首席（关于时尚，名利，事业，爱情，励志）

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')