专栏首页北京马哥教育Python爬虫基础知识:百度贴吧网络爬虫及源码分享

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

本文分享自微信公众号 - 马哥Linux运维(magedu-Linux),作者:请叫我汪海

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2017-03-27

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • Python 开发者不得不知的魔术方法(Magic Method)

    来源:j_hao104 my.oschina.net/jhao104/blog/779743 介绍 在Python中,所有以“__”双下划线包起来的方法,都统...

    小小科
  • 让弹幕文明一点的Python屏蔽功能小实验

    突然想到一个视频里面弹幕被和谐的一满屏的*号觉得很有趣,然后就想用python来试试写写看,结果还真玩出了点效果,思路是首先你得有一个脏话存放的仓库好到时候检测...

    小小科
  • Tornado 源码阅读:初步认识

    来源:国夫君 segmentfault.com/a/1190000002971992 ioloop `ioloop`是`tornado`的核心模块,也是个调度...

    小小科
  • Python爬虫入门教程 56-100 python爬虫高级技术之验证码篇2-开放平台OCR技术

    今天你要学习的验证码采用通过第三方AI平台开放的OCR接口实现,OCR文字识别技术目前已经比较成熟了,而且第三方比较多,今天采用的是百度的。

    梦想橡皮擦
  • Python写自动化之SVN更新

    在远程机器上执行脚本时,为了能够保证脚本的实时性,我们一般会将脚本存放到SVN上,远程机器通过SVN的操作去更新脚本;

    py3study
  • React Native 原生密码键盘插件

    React Native (简称RN)是Facebook于2015年4月开源的跨平台移动应用开发框架,是Facebook早先开源的JS框架 React 在原生移...

    展菲
  • python codis集群客户端(二) - 基于zookeeper对实例创建与摘除

     在这一篇中我们实现了不通过zk来编写codis集群proxys的api, 如果codis集群暴露zk给你的话,那么就方便了,探活和故障摘除与恢复codis集群...

    用户1225216
  • 词义类比与全局词共现信息不可兼得?基于飞桨实现的GloVe说可以

    通过飞桨核心框架复现的GloVe模型具有良好的性能表现。针对论文给出的训练文本,处理后文本总词量为17M,模型的训练时间在1000s左右,达到了快速训练词向量的...

    用户1386409
  • Python3实现飞机大战游戏

    本文实例为大家分享了Python3实现飞机大战游戏的具体代码,供大家参考,具体内容如下

    砸漏
  • 【项目实践】中英文文字检测与识别项目(CTPN+CRNN+CTC Loss原理讲解)

    文字识别也是图像领域一个常见问题。然而,对于自然场景图像,首先要定位图像中的文字位置,然后才能进行文字的识别。

    OpenCV学堂

扫码关注云+社区

领取腾讯云代金券