基於Python實現的百度貼吧網路爬蟲執行個體_python

本文執行個體講述了基於Python實現的百度貼吧網路爬蟲。分享給大家供大家參考。具體如下：

完整執行個體代碼點擊此處本站下載。

項目內容：

用Python寫的百度貼吧的網路爬蟲。

使用方法：

建立一個BugBaidu.py檔案，然後將代碼複製到裡面後，雙擊運行。

程式功能：

將貼吧中樓主發布的內容打包txt儲存到本地。

原理解釋：

首先，先瀏覽一下某一條貼吧，點擊只看樓主並點擊第二頁之後url發生了一點變化，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是對應的頁碼，記住這一點為以後的編寫做準備。
這就是我們需要利用的url。
接下來就是查看頁面源碼。
首先把題目摳出來隱藏檔的時候會用到。
可以看到百度使用gbk編碼，標題使用h1標記：

複製代碼 代碼如下:

<h1 class="core_title_txt" title="【原創】時尚首席（關於時尚，名利，事業，愛情，勵志）">【原創】時尚首席（關於時尚，名利，事業，愛情，勵志）</h1>

同樣，本文部分用div和class綜合標記，接下來要做的只是用Regex來匹配即可。

運行截圖：

產生的txt檔案：

# -*- coding: utf-8 -*- #--------------------------------------- #  程式：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：輸入網址後自動只看樓主並儲存到本地檔案 #  功能：將樓主發布的內容打包txt儲存到本地。 #--------------------------------------- import string import urllib2 import re #----------- 處理頁面上的各種標籤 ----------- class HTML_Tool:   # 用非 貪婪模式 匹配 \t 或者 \n 或者 空格 或者 超連結 或者 圖片   BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")   # 用非 貪婪模式 匹配 任意<>標籤   EndCharToNoneRex = re.compile("<.*?>")   # 用非 貪婪模式 匹配 任意<p>標籤   BgnPartRex = re.compile("<p.*?>")   CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")   CharToNextTabRex = re.compile("<td>")   # 將一些html的符號實體轉變為原始符號   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:   # 申明相關的屬性   def __init__(self,url):      self.myUrl = url + '?see_lz=1'     self.datas = []     self.myTool = HTML_Tool()     print u'已經啟動百度貼吧爬蟲，哢嚓哢嚓'   # 初始化載入頁面並將其轉碼儲存   def baidu_tieba(self):     # 讀取頁面的原始資訊並將其從gbk轉碼     myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")     # 計算樓主發布內容一共有多少頁     endPage = self.page_counter(myPage)     # 擷取該帖的標題     title = self.find_title(myPage)     print u'文章名稱：' + title     # 擷取最終的資料     self.save_data(self.myUrl,title,endPage)   #用來計算一共有多少頁   def page_counter(self,myPage):     # 匹配 "共有<span class="red">12</span>頁" 來擷取一共有多少頁     myMatch = re.search(r'class="red">(\d+?)</span>', myPage, re.S)     if myMatch:        endPage = int(myMatch.group(1))       print u'爬蟲報告：發現樓主共有%d頁的原創內容' % endPage     else:       endPage = 0       print u'爬蟲報告：無法計算樓主發布內容有多少頁！'     return endPage   # 用來尋找該帖的標題   def find_title(self,myPage):     # 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出標題     myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)     title = u'暫無標題'     if myMatch:       title = myMatch.group(1)     else:       print u'爬蟲報告：無法載入文章標題！'     # 檔案名稱不能包含以下字元： \ / ： * ? " < > |     title = title.replace('\\','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','')     return title   # 用來儲存樓主發布的內容   def save_data(self,url,title,endPage):     # 載入頁面資料到數組中     self.get_data(url,endPage)     # 開啟本地檔案     f = open(title+'.txt','w+')     f.writelines(self.datas)     f.close()     print u'爬蟲報告：檔案已下載到本地並打包成txt檔案'     print u'請按任意鍵退出...'     raw_input();   # 擷取頁面源碼並將其儲存到數組中   def get_data(self,url,endPage):     url = url + '&pn='     for i in range(1,endPage+1):       print u'爬蟲報告：爬蟲%d號正在載入中...' % i       myPage = urllib2.urlopen(url + str(i)).read()       # 將myPage中的html代碼處理並儲存到datas裡面       self.deal_data(myPage.decode('gbk'))   # 將內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')  #-------- 程式入口處 ------------------ print u"""#--------------------------------------- #  程式：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：輸入網址後自動只看樓主並儲存到本地檔案 #  功能：將樓主發布的內容打包txt儲存到本地。 #--------------------------------------- """ # 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後的數字串：' bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))  #調用 mySpider = Baidu_Spider(bdurl) mySpider.baidu_tieba()

希望本文所述對大家的Python程式設計有所協助。