糖豆贴心提醒,本文阅读时间6分钟
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:
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:
以下为本次项目源码:
- # -*- 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()
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。