Python爬虫实战-爬取百度贴吧帖子

本篇目标

1.对百度贴吧的任意帖子进行抓取

2.指定是否只抓取楼主发帖内容

3.将抓取到的内容分析并保存到文件

如果觉得一步步看麻烦的话可以拉到最下面有完整源码可以直接使用

1.URL格式的确定

首先，我们先观察一下百度贴吧的任意一个帖子。

比如：http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1，这是一个关于NBA50大的盘点，分析一下这个地址。

 http://  代表资源传输使用http协议
 tieba.baidu.com 是百度的二级域名，指向百度贴吧的服务器。
 /p/3138733512 是服务器某个资源，即这个帖子的地址定位符
 see_lz和pn是该URL的两个参数，分别代表了只看楼主和帖子页码，等于1表示该条件为真

所以我们可以把URL分为两部分，一部分为基础部分，一部分为参数部分。

例如，上面的URL我们划分基础部分是 http://tieba.baidu.com/p/3138733512，参数部分是 ?see_lz=1&pn=1

2.页面的抓取

熟悉了URL的格式，那就让我们用urllib2库来试着抓取页面内容吧。上一篇糗事百科我们最后改成了面向对象的编码方式，这次我们直接尝试一下，定义一个类名叫BDTB(百度贴吧)，一个初始化方法，一个获取页面的方法。

其中，有些帖子我们想指定给程序是否要只看楼主，所以我们把只看楼主的参数初始化放在类的初始化上，即init方法。另外，获取页面的方法我们需要知道一个参数就是帖子页码，所以这个参数的指定我们放在该方法中。

综上，我们初步构建出基础代码如下：

__author__ = 'CQC'
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
 
#百度贴吧爬虫类
class BDTB:
 
    #初始化，传入基地址，是否只看楼主的参数
    def __init__(self,baseUrl,seeLZ):
        self.baseURL = baseUrl
        self.seeLZ = '?see_lz='+str(seeLZ)
 
    #传入页码，获取该页帖子的代码
    def getPage(self,pageNum):
        try:
            url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)
            request = urllib2.Request(url)
            response = urllib2.urlopen(request)
            print response.read()
            return response
        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
 
baseURL = 'http://tieba.baidu.com/p/3138733512'
bdtb = BDTB(baseURL,1)
bdtb.getPage(1)

运行代码，我们可以看到屏幕上打印出了这个帖子第一页楼主发言的所有内容，形式为HTML代码。

3.提取相关信息

2020最新python学习资源分享：1156465813

1）提取帖子标题

首先，让我们提取帖子的标题。

在浏览器中审查元素，或者按F12，查看页面源代码，我们找到标题所在的代码段，可以发现这个标题的HTML代码是

1
纯
原创我心中的NBA2014-2015赛季现役50大

 

所以我们想提取

标签中的内容，同时还要指定这个class确定唯一，因为h1标签实在太多啦。

正则表达式如下

	
#获取帖子标题
def getTitle(self):
    page = self.getPage(1)
    pattern = re.compile('
#获取帖子一共有多少页
def getPageNum(self):
    page = self.getPage(1)
    pattern = re.compile('
#获取每一层楼的内容,传入页面内容
def getContent(self,page):
    pattern = re.compile('
 
  
 
 
  
真是醉了，还有一大片换行符和图片符，好口怕！既然这样，我们就要对这些文本进行处理，把各种各样复杂的标签给它剔除掉，还原精华内容，把文本处理写成一个方法也可以，不过为了实现更好的代码架构和代码重用，我们可以考虑把标签等的处理写作一个类。
 
  
那我们就叫它Tool（工具类吧），里面定义了一个方法，叫replace，是替换各种标签的。在类中定义了几个正则表达式，主要利用了re.sub方法对文本进行匹配后然后替换。具体的思路已经写到注释中，大家可以看一下这个类
 
  
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()
 
  
在使用时，我们只需要初始化一下这个类，然后调用replace方法即可。
 
  
现在整体代码是如下这样子的，现在我的代码是写到这样子的
 
  
__author__ = 'CQC'
# -*- 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()
 
 
#百度贴吧爬虫类
class BDTB:
 
    #初始化，传入基地址，是否只看楼主的参数
    def __init__(self,baseUrl,seeLZ):
        self.baseURL = baseUrl
        self.seeLZ = '?see_lz='+str(seeLZ)
        self.tool = Tool()
    #传入页码，获取该页帖子的代码
    def getPage(self,pageNum):
        try:
            url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)
            request = urllib2.Request(url)
            response = urllib2.urlopen(request)
            return response.read().decode('utf-8')
        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
 
    #获取帖子标题
    def getTitle(self):
        page = self.getPage(1)
        pattern = re.compile('
.*?(.*?)',re.S)
        result = re.search(pattern,page)
        if result:
            #print result.group(1)  #测试输出
            return result.group(1).strip()
        else:
            return None
 
    #获取每一层楼的内容,传入页面内容
    def getContent(self,page):
        pattern = re.compile('
 
  
4）替换楼层
 
  
至于这个问题，我感觉直接提取楼层没什么必要呀，因为只看楼主的话，有些楼层的编号是间隔的，所以我们得到的楼层序号是不连续的，这样我们保存下来也没什么用。
 
  
所以可以尝试下面的方法：
 
  
 
   
1.每打印输出一段楼层，写入一行横线来间隔，或者换行符也好。
 
   
2.试着重新编一个楼层，按照顺序，设置一个变量，每打印出一个结果变量加一，打印出这个变量当做楼层。
 
  
 
  
 
 
  
这里我们尝试一下吧，看看效果怎样
 
  
把getContent方法修改如下
 
  
#获取每一层楼的内容,传入页面内容
def getContent(self,page):
    pattern = re.compile('
 
  
运行一下看看效果
 
  
 
  
嘿嘿，效果还不错吧，感觉真酸爽！接下来我们完善一下，然后写入文件
 
  
4.写入文件 
 
  
最后便是写入文件的过程，过程很简单，就几句话的代码而已，主要是利用了以下两句
 
  
 
   
file = open(“tb.txt”,”w”)
 
   
file.writelines(obj)
 
  
 
  
这里不再赘述，稍后直接贴上完善之后的代码。
 
  
 
 
  
5.完善代码
 
  
现在我们对代码进行优化，重构，在一些地方添加必要的打印信息，整理如下
 
  
__author__ = 'CQC'
# -*- 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()
 
 
#百度贴吧爬虫类
class BDTB:
 
    #初始化，传入基地址，是否只看楼主的参数
    def __init__(self,baseUrl,seeLZ,floorTag):
        #base链接地址
        self.baseURL = baseUrl
        #是否只看楼主
        self.seeLZ = '?see_lz='+str(seeLZ)
        #HTML标签剔除工具类对象
        self.tool = Tool()
        #全局file变量，文件写入操作对象
        self.file = None
        #楼层标号，初始为1
        self.floor = 1
        #默认的标题，如果没有成功获取到标题的话则会用这个标题
        self.defaultTitle = u"百度贴吧"
        #是否写入楼分隔符的标记
        self.floorTag = floorTag
 
    #传入页码，获取该页帖子的代码
    def getPage(self,pageNum):
        try:
            #构建URL
            url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)
            request = urllib2.Request(url)
            response = urllib2.urlopen(request)
            #返回UTF-8格式编码内容
            return response.read().decode('utf-8')
        #无法连接，报错
        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
 
    #获取帖子标题
    def getTitle(self,page):
        #得到标题的正则表达式
        pattern = re.compile('
.*?(.*?)',re.S)
        result = re.search(pattern,page)
        if result:
            return result.group(1).strip()
        else:
            return None
 
    #获取每一层楼的内容,传入页面内容
    def getContent(self,page):
        #匹配所有楼层的内容
        pattern = re.compile('
 
  
现在程序演示如下
 
  
 
  
 完成之后，可以查看一下当前目录下多了一个以该帖子命名的txt文件，内容便是帖子的所有数据。
 
  

 我建立了一个Python学习圈子：1156465813。在彼此的沟通可以我们可以得到很多学习经验，积累知识，群内有2020最新的python学习资料，大家可以一起讨论问题，共同进步。