python抓取百度度贴吧

我们打开一个百度贴吧的帖子然后查看源码

http://tieba.baidu.com/p/3138733512?see_lz=1

Paste_Image.png

首先我们先拿到帖子的标题，通过查看源码，我们发现，他的标题的html为：

纯原创我心中的NBA2014-2015赛季现役50大

我们需要中间的标题怎么搞呢？
肯定用正则，为了快速我们这样写：

# -*- coding: UTF-8 -*- 。
import urllib
import urllib2
import re


class BDTB:
    def __init__(self, baseUrl, seeLZ):
        self.baseURL = baseUrl
        self.seeLZ = '?see_lz=' + str(seeLZ)

    def getPage(self, pageNum):
        try:
            url = self.baseURL + self.seeLZ + '&pn=' + str(pageNum)
            request = urllib2.Request(url)
            response = urllib2.urlopen(request)
            return response.read()
        except urllib2.URLError, e:
            if hasattr(e, "reason"):
                print u"连接百度贴吧失败,错误原因", e.reason
                return None

    def getTitle(self):
        page = self.getPage(1)
        pattern = re.compile('
 
  
 
   
 
     
   
 
  
 
  

    Paste_Image.png 
  
 
 

然后我们提取帖子每个楼层的内容如何去做呢？
看源码分析呗

            很多媒体都在每赛季之前给球员排个名，我也有这个癖好…………，我会尽量理性的分析球队地位，个人能力等因素，评出我心目中的下赛季50大现役球员，这个50大是指预估他本赛季在篮球场上对球队的影响力……不是过去的荣誉什么的，所以难免有一定的主观性……如果把你喜欢的球星排低了，欢迎理性讨论！![](http://upload-images.jianshu.io/upload_images/1205414-58b2b7b444eed998.jpg?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)



状元维金斯镇楼
P.S 1 我每天都至少更新一个，不TJ。
      2 今年的新秀我就不考虑了，没上赛季参照

我们发现，他在一个div里面 id="post_content_53018668923" class="d_post_content j_d_post_content "，看到这我们就知道了，该怎么搞了，上代码，我们在上面的代码中增加一个获取帖子内容的方法

 def getPostData(self):
        page = self.getPage(1)
        pattern = re.compile('
(.*?)
', re.S)
        result = re.findall(pattern, page)
        for item in result:
            print item

Paste_Image.png

这样就拿到了第一页的每个楼层的数据了，我们看到有很多换行啊，什么的数据，我需要替换下

我找了一个处理的工具类

# -*- coding:utf-8 -*-
import urllib
import urllib2
import re

#处理页面标签类
class Tool:
    #去除img标签,7位长空格
    removeImg = re.compile('| {7}|')
    #删除超链接标签
    removeAddr = re.compile('|')
    #把换行的标签换为\n
    replaceLine = re.compile('|
|
|
')
    #将表格制表替换为\t
    replaceTD= re.compile('')
    #把段落开头换为\n加空两格
    replacePara = re.compile('')
    #将换行符或双换行符替换为\n
    replaceBR = re.compile('

|
')
    #将其余标签剔除
    removeExtraTag = re.compile('<.*?>')
    def replace(self,x):
        x = re.sub(self.removeImg,"",x)
        x = re.sub(self.removeAddr,"",x)
        x = re.sub(self.replaceLine,"\n",x)
        x = re.sub(self.replaceTD,"\t",x)
        x = re.sub(self.replacePara,"\n    ",x)
        x = re.sub(self.replaceBR,"\n",x)
        x = re.sub(self.removeExtraTag,"",x)
        #strip()将前后多余内容删除
        return x.strip()

由于在同一个目录下我们直接导入

from Tool import *

这样导入我们就可以在别的模块的使用啦

Paste_Image.png

完整的代码

```java
# -*- coding: UTF-8 -*- 。
import urllib
import urllib2
import re
from Tool import *


class BdTb:
    def __init__(self, baseUrl, seeLZ):
        self.baseURL = baseUrl
        self.seeLZ = '?see_lz=' + str(seeLZ)
        self.tool = Tool()

    def getPage(self, pageNum):
        try:
            url = self.baseURL + self.seeLZ + '&pn=' + str(pageNum)
            request = urllib2.Request(url)
            response = urllib2.urlopen(request)
            return response.read()
        except urllib2.URLError, e:
            if hasattr(e, "reason"):
                print u"连接百度贴吧失败,错误原因", e.reason
                return None

    def getTitle(self):
        page = self.getPage(1)
        pattern = re.compile('
(.*?)

', re.S) result = re.findall(pattern, page) for item in result: print self.tool.replace(item) baseURL = 'http://tieba.baidu.com/p/3138733512' BdTb = BdTb(baseURL, 1) BdTb.getPostData()