python网络爬虫入门（二）——百度贴吧

前面爬完了糗事百科，接下来看看百度贴吧。

可是光光获取评论文字也是忒无聊了，咱们来点图片。

然鹅，找哪儿的图好吶，翻来覆去，一个偶然的机会，让我看到了这个：

                

机智的我灵机一动，为什么创建这个“旅行吧”呀，从事物发展的规律来说，就是方便大伙儿各种晒图各种秀啊

能拿来晒的东西，敢情应该不会差到哪去（至少比一般的百度图片要好一些吧）

                                                                                        

好了不多胡扯回归正题，几行代码，带足不出户的你，走遍万水千山！

先随便搜了个贴，好吧就是这个了

         

开发环境和之前一样。

一、目标：

1、获取帖子标题、总页数、评论、图片

2、图片写入文件并保存

3、将各种信息实现打印（也算测试追踪）

4、输入帖子号便能实现以上操作（即亦适用于其它帖子）

二、步骤：

1、获取源码。这个简单，用requests的get请求方式即可。这里设置了random.randint()获取随机数，在一堆范围中获取user_agent，主要是为了伪装防止网站认出是爬虫而限制抓取。至于这一堆user_agents,额，网上搜的哈哈~

    def getSource(self,url):
        user_agents=['Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20130406 Firefox/23.0','Mozilla/5.0 (Windows NT 6.1; WOW64; rv:18.0) Gecko/20100101 Firefox/18.0','Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/533+ \(KHTML, like Gecko) Element Browser 5.0','IBM WebExplorer /v0.94', 'Galaxy/1.0 [en] (Mac OS X 10.5.6; U; en)','Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0)','Opera/9.80 (Windows NT 6.0) Presto/2.12.388 Version/12.14','Mozilla/5.0 (iPad; CPU OS 6_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) \Version/6.0 Mobile/10A5355d Safari/8536.25','Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) \Chrome/28.0.1468.0 Safari/537.36','Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.0; Trident/5.0; TheWorld)' 
        index=random.randint(0,9)
        user_agent=user_agents[index]
        headers = {'User_agent': user_agent}
        html=requests.get(url,headers=headers)
        return html.text

2、获取标题、总页数、评论

标题的正则

pattern=re.compile('(.*?)',re.S)
items=re.search(pattern,result)

页数的正则

pattern=re.compile('(.*?)',re.S)
items=re.search(pattern,result).group(1)

评论的正则

pattern=re.compile('(.*?).*?
3、获取晒图。BeautifulSoup唯美汤神器登场，首先想到find_all()搜'img'标签，得到如下
 
  

 
  

 
  
龙蛇混杂呀，不仅包括各种旅行晒图，还有链接中包含'head'的头像图，含'emoticon'的表情图等等，宝宝内心是崩溃哒。
 
  
如何洗出我们想要的内容呢？
 
  
别着急，仔细观察这些个链接，逐个点开一试就会发现，凡是属于'晒图'的，接带有属性class='BDE_Image'。
 
  
我的天，直接find_all()限定范围，再循环打出item['src'],分分钟搞定链接！要有多简单就有简单，最后将链接保存至一个list中。
 
  

 
  

 
  

 
  
4、创建目录。用到makedirs()，值得注意的是，如果想将文件夹创建至非系统默认的地方，需要用到chdir()来更改环境变量。
 
  

 
  
5、保存晒图。万水千山走遍，目录也创建，接下来就是保存图片。又用到文件操作相关知识，千万注意，要想将图片成功保存至上面创建的目录，必需指定绝对路径，所以设置self.path是为了方便此处调用。
 
  

 
  
6、集合各操作并获取多页。两个循环，一个是多页，一个是多个图片的保存。关键在格式化每一页索引链接。
 
  
观察可发现规律，网页URL格式为：'http://tieba.baidu.com/p'+帖子号+'?pn='+页数，所以可以设置：
 
  
 
  
self.siteURL = 'http://tieba.baidu.com/p/' + str(Num)
self.url=self.siteURL+'?pn='+str(page)
 
  
 
  

 
  
三、奉上源码
 
  
#usr/bin/env python
# -*- coding: utf-8 -*-
__author__='WYY'
__date__='2017.03.14'

#实战小项目：百度贴吧爬虫
import urllib2
import requests
import re
import os
import time
import random
from bs4 import BeautifulSoup

#定义一个Tool()类方便清洗数据
class Tool():
    removeImg = re.compile('|｛7｝| ') # 去除img标签，1-7位空格， 
    removeAddr = re.compile('|') # 删除超链接标签
    replaceLine = re.compile('|
|
|
') # 把换行的标签换位\n
    replaceTD = re.compile('') # 把表格制表换为\t
    replaceBR = re.compile('

|
|
|

') # 把换行符或者双换行符换为\n
    removeExtraTag = re.compile('.*?') # 把其余标签剔除
    removeNoneLine = re.compile('\n+') # 把多余空行删除
    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.replaceBR, "\n", x)
        x = re.sub(self.removeExtraTag, "", x)
        x = re.sub(self.removeNoneLine, "\n", x)
        return x.strip() # 把strip()前后多余内容删除

#定义一个Spider类
class Spider():
    #初始化参数
    def __init__(self):
        self.tool = Tool()

    #获取源码
    def getSource(self,url):
        user_agents=['Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20130406 Firefox/23.0','Mozilla/5.0 (Windows NT 6.1; WOW64; rv:18.0) Gecko/20100101 Firefox/18.0','Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/533+ \(KHTML, like Gecko) Element Browser 5.0','IBM WebExplorer /v0.94', 'Galaxy/1.0 [en] (Mac OS X 10.5.6; U; en)','Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0)','Opera/9.80 (Windows NT 6.0) Presto/2.12.388 Version/12.14','Mozilla/5.0 (iPad; CPU OS 6_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) \Version/6.0 Mobile/10A5355d Safari/8536.25','Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) \Chrome/28.0.1468.0 Safari/537.36','Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.0; Trident/5.0; TheWorld)']
        # user_agent在一堆范围中随机获取
        # random.randint()获取随机数，防止网站认出是爬虫而访问受限
        index=random.randint(0,9)
        user_agent=user_agents[index]
        headers = {'User_agent': user_agent}
        html=requests.get(url,headers=headers)
        return html.text


    #获取帖子标题
    def getTitle(self,url):
        result=self.getSource(url)
        pattern=re.compile('(.*?)',re.S)
        items=re.search(pattern,result)
        print u'这篇帖子标题为：',self.tool.replace(items.group(1))

    #获取帖子总页数
    def getPageNumber(self,url):
        result=self.getSource(url)
        pattern=re.compile('(.*?)',re.S)
        items=re.search(pattern,result).group(1)
        print u'帖子共有',items,u'页'
        return items

    #获取评论内容
    def getContent(self,url):
        result = self.getSource(url)
        pattern=re.compile('(.*?).*?
=1:
            print u'\n',u'共晒图',number,u'张，厉害了我的哥！！！'
        else:
            print u'喏，没有图......'
        return images

    #创建目录
    def makeDir(self,path):
        self.path=path.strip()
        E=os.path.exists(os.path.join('F:\Desktop\code\LvXing', self.path))
        if not E:
            #创建新目录,若想将内容保存至别的路径（非系统默认），需要更环境变量
            #更改环境变量用os.chdir()
            os.makedirs(os.path.join('F:\Desktop\code\LvXing', self.path))
            os.chdir(os.path.join('F:\Desktop\code\LvXing', self.path))
            print u'正在创建名为',self.path,u'的文件夹'
            return self.path
        else:
            print u'名为',self.path,u'的文件夹已经存在...'
            return False

    #万水千山走遍，接下来就是保存美图
    def saveImage(self,detailURL,name):
        data=urllib2.urlopen(detailURL).read()
        fileName=name+'.'+'jpg'
        #保存文件，一定要用绝对路径      `
        #所以设置self.path，是为了方便后面函数无障碍调用
        f=open(r'F:\Desktop\code\LvXing\%s\%s'%(self.path,fileName),'wb')
        f.write(data)
        f.close()
        print u'成功保存图片',fileName



    #集合所有的操作,并获取多页
    def getAllPage(self,Num):
        self.siteURL = 'http://tieba.baidu.com/p/' + str(Num)
        #获取帖子标题
        self.getTitle(self.siteURL)
        #获取帖子页数
        numbers=self.getPageNumber(self.siteURL)
        for page in range(1,int(numbers)+1):
            #格式化索引链接
            self.url=self.siteURL+'?pn='+str(page)
            print u'\n\n',u'正准备获取第',page,u'页的内容...'
            #获取评论
            print u'\n',u'正准备获取评论...'
            self.getContent(self.url)
            #每一页创建一个文件
            self.makeDir(path='page'+str(page))
            #获取图片
            print u'\n',u'正准备获取图片...'
            images=self.getImage(self.url)
            print u'\n',u'正准备保存图片...'
            number=1
            #保存图片，先从之前的list中找链接
            for detailURL in images:
                name='page'+str(page)+'num'+str(number)
                self.saveImage(detailURL,name)
                time.sleep(0.1)
                number+=1

            print u'\n\n',u'完成第',page,u'页'

        print u'\n\n',u'恭喜，圆满成功！'

#raw_input()实现和外部交互，想看哪个贴就看哪个贴
Num=int(raw_input('老哥儿/老妹儿，输入帖子号呗：'))
spider=Spider()
spider.getAllPage(Num)
 
  
 
  
 
  

 
  
四、结果
 
  
来看最后的结果
 
  
 
  
输入帖子号获取一些列信息
 
  
 
  
 
  
 
  
 
  
 
  
打印评论
 
  
 
  
 
  
 
  
 
  
（我好像发现了什么。。。）
 
  
 
  
 
  
打印链接
 
  
 
  
 
  
 
  
 
  
 
  
 
  
保存图片
 
  
 
  
 
  
 
  
 
  
 
  
 
  
最后一页
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
来看看文件发生了什么变化。
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
图片已经全部保存到指定文件夹啦~
 
  

 
  

 
  
五、题外（可不看）
 
  
爬完上面这个贴，又去胡乱搜寻，发现两有趣的贴。
 
  
一个是：国外朋友的世界一周旅行记1，Uca姐的摄影好美(献给所有爱旅者)
 
  
另一个：背起画夹去旅行——且行且绘（陆续更新）
 
  
 
  
 
  
 
  
 
  
1）、前面这一个介绍了一个日本旅行摄影师的世界一周旅行记的故事，照片色彩明丽、利落干净，迎面满是异域风情。
 
  
举例几个图：
 
  

 
  
 
  
 
 
  
 
  
 
  

 
  

 
  

 
  
 
 
  
 
  
 
  
 
  
一共100页，一页也就四五十张图。。。
 
  
 
  
 
  
 
 
  
 
  
 
   
  
 
  

 
  

 
  
2）另一个帖子更是好玩，楼主非常有才，把沿途所见所闻都一一画下，画风那叫一个清新雅致，不得不献上膝盖。
 
  
放几个图感受一下：
 
  

 
  
 
  

 
  
 
  
 
  

 
  

 
  
 
  
 
  

 
  
觉得楼主应该给我广告费
 
  
本文也升级成一个文艺技术帖。。。
 
  
好啦就是这样啦~