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. #---------------------------------------
12. import string
13. import urllib2
14. import re
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.*?>)")
21. # 用非 贪婪模式 匹配 任意<>标签
22. EndCharToNoneRex = re.compile("<.*?>")
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>")
29. # 将一些html的符号实体转变为原始符号
30. replaceTab = [("<","<"),(">",">"),("&","&"),("&","\""),(" "," ")]
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)
39. for t in self.replaceTab:
40. x = x.replace(t[0],t[1])
41. return x
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'
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)
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
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
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();
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'))
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')
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. """
132. # 以某小说贴吧为例子
133. # bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1'
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/'))
138. #调用
139. mySpider = Baidu_Spider(bdurl)
140. mySpider.baidu_tieba()