Python爬虫基础知识：百度贴吧网络爬虫及源码分享

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：

1. # -*- coding: utf-8 -*-  
2. #---------------------------------------  
3. #   程序：百度贴吧爬虫  
4. #   版本：0.5  
5. #   作者：why  
6. #   日期：2013-05-16  
7. #   语言：Python 2.7  
8. #   操作：输入网址后自动只看楼主并保存到本地文件  
9. #   功能：将楼主发布的内容打包txt存储到本地。  
10. #---------------------------------------  
11.    
12. import string  
13. import urllib2  
14. import re  
15.   
16. #----------- 处理页面上的各种标签 -----------  
17. class HTML_Tool:  
18.     # 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  
19.     BgnCharToNoneRex = re.compile("(t|n| |<a.*?>|<img.*?>)")  
20.       
21.     # 用非 贪婪模式 匹配 任意<>标签  
22.     EndCharToNoneRex = re.compile("<.*?>")  
23.   
24.     # 用非 贪婪模式 匹配 任意<p>标签  
25.     BgnPartRex = re.compile("<p.*?>")  
26.     CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")  
27.     CharToNextTabRex = re.compile("<td>")  
28.   
29.     # 将一些html的符号实体转变为原始符号  
30.     replaceTab = [("<","<"),(">",">"),("&","&"),("&","""),(" "," ")]  
31.       
32.     def Replace_Char(self,x):  
33.         x = self.BgnCharToNoneRex.sub("",x)  
34.         x = self.BgnPartRex.sub("n    ",x)  
35.         x = self.CharToNewLineRex.sub("n",x)  
36.         x = self.CharToNextTabRex.sub("t",x)  
37.         x = self.EndCharToNoneRex.sub("",x)  
38.   
39.         for t in self.replaceTab:    
40.             x = x.replace(t[0],t[1])    
41.         return x    
42.       
43. class Baidu_Spider:  
44.     # 申明相关的属性  
45.     def __init__(self,url):    
46.         self.myUrl = url + '?see_lz=1'  
47.         self.datas = []  
48.         self.myTool = HTML_Tool()  
49.         print u'已经启动百度贴吧爬虫，咔嚓咔嚓'  
50.     
51.     # 初始化加载页面并将其转码储存  
52.     def baidu_tieba(self):  
53.         # 读取页面的原始信息并将其从gbk转码  
54.         myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")  
55.         # 计算楼主发布内容一共有多少页  
56.         endPage = self.page_counter(myPage)  
57.         # 获取该帖的标题  
58.         title = self.find_title(myPage)  
59.         print u'文章名称：' + title  
60.         # 获取最终的数据  
61.         self.save_data(self.myUrl,title,endPage)  
62.   
63.     #用来计算一共有多少页  
64.     def page_counter(self,myPage):  
65.         # 匹配 "共有<span class="red">12</span>页" 来获取一共有多少页  
66.         myMatch = re.search(r'class="red">(d+?)</span>', myPage, re.S)  
67.         if myMatch:    
68.             endPage = int(myMatch.group(1))  
69.             print u'爬虫报告：发现楼主共有%d页的原创内容' % endPage  
70.         else:  
71.             endPage = 0  
72.             print u'爬虫报告：无法计算楼主发布内容有多少页！'  
73.         return endPage  
74.   
75.     # 用来寻找该帖的标题  
76.     def find_title(self,myPage):  
77.         # 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出标题  
78.         myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)  
79.         title = u'暂无标题'  
80.         if myMatch:  
81.             title  = myMatch.group(1)  
82.         else:  
83.             print u'爬虫报告：无法加载文章标题！'  
84.         # 文件名不能包含以下字符：  / ： * ? " < > |  
85.         title = title.replace('\','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','')  
86.         return title  
87.   
88.   
89.     # 用来存储楼主发布的内容  
90.     def save_data(self,url,title,endPage):  
91.         # 加载页面数据到数组中  
92.         self.get_data(url,endPage)  
93.         # 打开本地文件  
94.         f = open(title+'.txt','w+')  
95.         f.writelines(self.datas)  
96.         f.close()  
97.         print u'爬虫报告：文件已下载到本地并打包成txt文件'  
98.         print u'请按任意键退出...'  
99.         raw_input();  
100.   
101.     # 获取页面源码并将其存储到数组中  
102.     def get_data(self,url,endPage):  
103.         url = url + '&pn='  
104.         for i in range(1,endPage+1):  
105.             print u'爬虫报告：爬虫%d号正在加载中...' % i  
106.             myPage = urllib2.urlopen(url + str(i)).read()  
107.             # 将myPage中的html代码处理并存储到datas里面  
108.             self.deal_data(myPage.decode('gbk'))  
109.               
110.   
111.     # 将内容从页面代码中抠出来  
112.     def deal_data(self,myPage):  
113.         myItems = re.findall('id="post_content.*?>(.*?)</div>',myPage,re.S)  
114.         for item in myItems:  
115.             data = self.myTool.Replace_Char(item.replace("n","").encode('gbk'))  
116.             self.datas.append(data+'n')  
117.   
118.   
119.   
120. #-------- 程序入口处 ------------------  
121. print u"""#--------------------------------------- 
122. #   程序：百度贴吧爬虫 
123. #   版本：0.5 
124. #   作者：why 
125. #   日期：2013-05-16 
126. #   语言：Python 2.7 
127. #   操作：输入网址后自动只看楼主并保存到本地文件 
128. #   功能：将楼主发布的内容打包txt存储到本地。 
129. #--------------------------------------- 
130. """  
131.   
132. # 以某小说贴吧为例子  
133. # bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1'  
134.   
135. print u'请输入贴吧的地址最后的数字串：'  
136. bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))   
137.   
138. #调用  
139. mySpider = Baidu_Spider(bdurl)  
140. mySpider.baidu_tieba()