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)

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。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏PPV课数据科学社区

机器学习编程语言之争,Python夺魁

随着科技的发展,拥有高容量、高速度和多样性的大数据已经成为当今时代的主题词。数据科学领域中所采用的机器学习编程语言大相径庭。究竟哪种语言最适合机器学习成为争论...

42450
来自专栏Python小白进阶之旅

还在找远控?来看我用十几行python代码写个简易远程控制

刚开始学习编程的同学可能经常会问:“我学了这个干什么用?买菜的时候掏出电脑来编个程序算算多少钱?”

683130
来自专栏PPV课数据科学社区

全球排名前十五的编程语言都是什么车?

C语言是全能手,小巧,强大,所向披靡,可靠,任何事情都能对付。 C++是新的C,双倍的能力,双倍的尺寸,适应险恶的环境,但是你如果没练好就去驾驶,很可能会撞车。...

39940
来自专栏PPV课数据科学社区

Python、 R 语言、SAS、SPSS 优缺点比较?给你常用的投一票!

从事数据分析要学那些语言呢?其实小编跟跟学员还有已经从事数据分析行业的人接触下来,给我的感觉是对于这个初级的数据分析师来,一般前二年做差不多都是老大让你做的是处...

42080
来自专栏PPV课数据科学社区

信息图表-快速引导你学习Python去做数据科学

我想通过学习Python语言来学习数据科学,所以我在谷歌上搜索:“我想通过学习Python语言来学习数据科学。而在谷歌,不一会儿的功夫就列出所有关于Pytho...

32640
来自专栏PPV课数据科学社区

将Python和R整合进一个数据分析流程

在Python中调用R或在R中调用Python,为什么是“和”而不是“或”? 在互联网中,关于“R Python”的文章,排名前十的搜索结果中只有2篇讨论了一起...

57080
来自专栏PPV课数据科学社区

11个你可能不知道的Python库

现在有如此之多的Python包,几乎没有人能够全盘掌握。 光是PyPI就可单独列出47,000个包! 近日,听到很多数据科学家切换到Python的消息,我不由地...

40680
来自专栏PPV课数据科学社区

python多线程编程(1): python对多线程的支持

前面介绍过多线程的基本概念,理解了这些基本概念,掌握python多线程编程就比较容易了。 在开始之前,首先要了解一下python对多线程的支持。 虚拟机层面 P...

400150
来自专栏PPV课数据科学社区

一个数据挖掘大牛,用程序算法做人生选择

每年一到要找工作的时候,我就能收到很多人给我发来的邮件,总是问我怎么选择他们的 offer,去腾讯还是去豆瓣,去外企还是去国内的企业,去创业还是去考研,来北京还...

43490
来自专栏PPV课数据科学社区

【学习】数据分析师的Python日记-第1天:谁来给我讲讲Python?

今天带来的是PYTHON,这是一篇非常有意思的文章。希望对大家有帮助。 ---- ---- 导语:或许是网上嘈嘈杂杂的关于大数据、互联网的新形势争论,或许是招聘...

23090

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励