零基礎(chǔ)寫python爬蟲之抓取百度貼吧并存儲(chǔ)到本地txt文件改進(jìn)版

更新時(shí)間：2014年11月06日 10:13:47 投稿：hebedich

前面已經(jīng)發(fā)了一篇關(guān)于百度貼吧抓取的代碼，今天我們來看下代碼的改進(jìn)版，參考了上篇抓取糗事百科的思路，給需要的小伙伴們參考下吧

百度貼吧的爬蟲制作和糗百的爬蟲制作原理基本相同，都是通過查看源碼扣出關(guān)鍵數(shù)據(jù)，然后將其存儲(chǔ)到本地txt文件。

項(xiàng)目內(nèi)容：

用Python寫的百度貼吧的網(wǎng)絡(luò)爬蟲。

使用方法：

新建一個(gè)BugBaidu.py文件，然后將代碼復(fù)制到里面后，雙擊運(yùn)行。

程序功能：

將貼吧中樓主發(fā)布的內(nèi)容打包txt存儲(chǔ)到本地。

原理解釋：

首先，先瀏覽一下某一條貼吧，點(diǎn)擊只看樓主并點(diǎn)擊第二頁之后url發(fā)生了一點(diǎn)變化，變成了：
http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1
可以看出來，see_lz=1是只看樓主，pn=1是對應(yīng)的頁碼，記住這一點(diǎn)為以后的編寫做準(zhǔn)備。
這就是我們需要利用的url。
接下來就是查看頁面源碼。
首先把題目摳出來存儲(chǔ)文件的時(shí)候會(huì)用到。
可以看到百度使用gbk編碼，標(biāo)題使用h1標(biāo)記：

復(fù)制代碼代碼如下:

<h1 class="core_title_txt" title="【原創(chuàng)】時(shí)尚首席（關(guān)于時(shí)尚，名利，事業(yè)，愛情，勵(lì)志）">【原創(chuàng)】時(shí)尚首席（關(guān)于時(shí)尚，名利，事業(yè)，愛情，勵(lì)志）</h1>  

同樣，正文部分用div和class綜合標(biāo)記，接下來要做的只是用正則表達(dá)式來匹配即可。
運(yùn)行截圖：

生成的txt文件：

復(fù)制代碼代碼如下:

# -*- coding: utf-8 -*-
#---------------------------------------
#   程序：百度貼吧爬蟲
#   版本：0.5
#   作者：why
#   日期：2013-05-16
#   語言：Python 2.7
#   操作：輸入網(wǎng)址后自動(dòng)只看樓主并保存到本地文件
#   功能：將樓主發(fā)布的內(nèi)容打包txt存儲(chǔ)到本地。
#---------------------------------------

import string
import urllib2
import re

#----------- 處理頁面上的各種標(biāo)簽 -----------
class HTML_Tool:
    # 用非貪婪模式匹配 \t 或者 \n 或者空格或者超鏈接或者圖片
    BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")

    # 用非貪婪模式匹配任意<>標(biāo)簽
    EndCharToNoneRex = re.compile("<.*?>")

    # 用非貪婪模式匹配任意<p>標(biāo)簽
    BgnPartRex = re.compile("<p.*?>")
    CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")
    CharToNextTabRex = re.compile("<td>")

    # 將一些html的符號實(shí)體轉(zhuǎn)變?yōu)樵挤?nbsp;
    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:
    # 申明相關(guān)的屬性
    def __init__(self,url):
        self.myUrl = url + '?see_lz=1'
        self.datas = []
        self.myTool = HTML_Tool()
        print u'已經(jīng)啟動(dòng)百度貼吧爬蟲，咔嚓咔嚓'

    # 初始化加載頁面并將其轉(zhuǎn)碼儲(chǔ)存
    def baidu_tieba(self):
        # 讀取頁面的原始信息并將其從gbk轉(zhuǎn)碼
        myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")
        # 計(jì)算樓主發(fā)布內(nèi)容一共有多少頁
        endPage = self.page_counter(myPage)
        # 獲取該帖的標(biāo)題
        title = self.find_title(myPage)
        print u'文章名稱：' + title
        # 獲取最終的數(shù)據(jù)
        self.save_data(self.myUrl,title,endPage)

    #用來計(jì)算一共有多少頁
    def page_counter(self,myPage):
        # 匹配 "共有<span class="red">12</span>頁" 來獲取一共有多少頁
        myMatch = re.search(r'class="red">(\d+?)</span>', myPage, re.S)
        if myMatch:
            endPage = int(myMatch.group(1))
            print u'爬蟲報(bào)告：發(fā)現(xiàn)樓主共有%d頁的原創(chuàng)內(nèi)容' % endPage
        else:
            endPage = 0
            print u'爬蟲報(bào)告：無法計(jì)算樓主發(fā)布內(nèi)容有多少頁！'
        return endPage

    # 用來尋找該帖的標(biāo)題
    def find_title(self,myPage):
        # 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出標(biāo)題
        myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)
        title = u'暫無標(biāo)題'
        if myMatch:
            title = myMatch.group(1)
        else:
            print u'爬蟲報(bào)告：無法加載文章標(biāo)題！'
        # 文件名不能包含以下字符： \ / ： * ? " < > |
        title = title.replace('\\','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','')
        return title

    # 用來存儲(chǔ)樓主發(fā)布的內(nèi)容
    def save_data(self,url,title,endPage):
        # 加載頁面數(shù)據(jù)到數(shù)組中
        self.get_data(url,endPage)
        # 打開本地文件
        f = open(title+'.txt','w+')
        f.writelines(self.datas)
        f.close()
        print u'爬蟲報(bào)告：文件已下載到本地并打包成txt文件'
        print u'請按任意鍵退出...'
        raw_input();

    # 獲取頁面源碼并將其存儲(chǔ)到數(shù)組中
    def get_data(self,url,endPage):
        url = url + '&pn='
        for i in range(1,endPage+1):
            print u'爬蟲報(bào)告：爬蟲%d號正在加載中...' % i
            myPage = urllib2.urlopen(url + str(i)).read()
            # 將myPage中的html代碼處理并存儲(chǔ)到datas里面
            self.deal_data(myPage.decode('gbk'))

    # 將內(nèi)容從頁面代碼中摳出來
    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')

#-------- 程序入口處 ------------------
print u"""#---------------------------------------
#   程序：百度貼吧爬蟲
#   版本：0.5
#   作者：why
#   日期：2013-05-16
#   語言：Python 2.7
#   操作：輸入網(wǎng)址后自動(dòng)只看樓主并保存到本地文件
#   功能：將樓主發(fā)布的內(nèi)容打包txt存儲(chǔ)到本地。
#---------------------------------------
"""
# 以某小說貼吧為例子
# bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1'

print u'請輸入貼吧的地址最后的數(shù)字串：'
bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))

#調(diào)用
mySpider = Baidu_Spider(bdurl)
mySpider.baidu_tieba()