基于Python实现的百度贴吧网络爬虫实例
程序员文章站
2023-08-21 23:10:49
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。
项目内容:
用python写的百度贴吧的网络爬虫。...
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。
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:
<h1 class="core_title_txt" title="【原创】时尚首席(关于时尚,名利,事业,爱情,励志)">【原创】时尚首席(关于时尚,名利,事业,爱情,励志)</h1>
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。