本文实例讲述了基于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:

【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：

    # -*- 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。