[Python]網路爬蟲（九）：百度貼吧的網路爬蟲（v0.4）源碼及解析

百度貼吧的爬蟲製作和糗百的爬蟲製作原理基本相同，都是通過查看源碼扣出關鍵資料，然後將其儲存到本地txt檔案。

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：

<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：

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 stringimport urllib2import 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()