本文实例讲述了基于Python实现的百度贴吧网络爬虫。分享给大家供大家参考。具体如下：
完整实例代码点击此处本站下载。
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：
复制代码 代码如下:
<h1 class="core_title_txt" src="/uploads/allimg/200609/1-20060Z93P8.png" />
生成的txt文件：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
|
# -*- coding: utf-8 -*- #--------------------------------------- # 程序：百度贴吧爬虫 # 版本：0.5 # 作者：why # 日期：2013-05-16 # 语言：Python 2.7 # 操作：输入网址后自动只看楼主并保存到本地文件 # 功能：将楼主发布的内容打包txt存储到本地。 #--------------------------------------- import string import urllib2 import re #----------- 处理页面上的各种标签 ----------- class HTML_Tool: # 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 BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)") # 用非 贪婪模式 匹配 任意<>标签 EndCharToNoneRex = re.compile("<.*?>") # 用非 贪婪模式 匹配 任意<p>标签 BgnPartRex = re.compile("<p.*?>") CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)") CharToNextTabRex = re.compile("<td>") # 将一些html的符号实体转变为原始符号 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: # 申明相关的属性 def __init__(self,url): self.myUrl = url + '?see_lz=1' self.datas = [] self.myTool = HTML_Tool() print u'已经启动百度贴吧爬虫，咔嚓咔嚓' # 初始化加载页面并将其转码储存 def baidu_tieba(self): # 读取页面的原始信息并将其从gbk转码 myPage = urllib2.urlopen(self.myUrl).read().decode("gbk") # 计算楼主发布内容一共有多少页 endPage = self.page_counter(myPage) # 获取该帖的标题 title = self.find_title(myPage) print u'文章名称：' + title # 获取最终的数据 self.save_data(self.myUrl,title,endPage) #用来计算一共有多少页 def page_counter(self,myPage): # 匹配 "共有<span class="red">12</span>页" 来获取一共有多少页 myMatch = re.search(r'class="red">(\d+?)</span>', myPage, re.S) if myMatch: endPage = int(myMatch.group(1)) print u'爬虫报告：发现楼主共有%d页的原创内容' % endPage else: endPage = 0 print u'爬虫报告：无法计算楼主发布内容有多少页！' return endPage # 用来寻找该帖的标题 def find_title(self,myPage): # 匹配 <h1 class="core_title_txt" id="codetool">
希望本文所述对大家的Python程序设计有所帮助。 相关文章
热门资讯 |
