Python爬虫实战之爬取百度贴吧帖子

Python爬虫实战之爬取百度贴吧帖子

大家好,上次我们实验了爬取了糗事百科的段子,那么这次我们来尝试一下爬取百度贴吧的帖子。与上一篇不同的是,这次我们需要用到文件的相关操作。

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

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_lzpn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:

#-*-coding:utf8-*-
#created by 10412

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。

Python爬虫实战之爬取百度贴吧帖子_第1张图片

3. 提取相关信息

1)提取帖子标题

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如下:

<h3 class="core_title_txt pull-left text-overflow  " title="纯原创我心中的NBA2014-2015赛季现役50大" style="width: 416px">纯原创我心中的NBA2014-2015赛季现役50大h3>

所以我们要提取

中的内容,因为一开始可以查看整个界面的原代码,查看里面含有

标签的不止一个。所以需要写正则表达式来匹配,如下:

class="core_title_txt.*?>(.*?)h3>

然后,我们可以写个获取标题的方法

# 获取帖子标题
    def getTitle(self):
        page = self.getPage(1)
        pattern = re.compile('

if result: # print result.group(1) #测试输出 return result.group(1).strip() else: return None

2)提取帖子页数

同样地,帖子总页数我们也可以通过分析页面中的共?页来获取。

<li class="l_reply_num" style="margin-left:8px"><span class="red" style="margin-right:3px">4784span>回复贴,共<span class="red">36span>页li>

所以我们的获取总页数的方法如下

#获取帖子一共有多少页
def getPageNum(self):
    page = self.getPage(1)
    pattern = re.compile('
  • if result: #print result.group(1) #测试输出 return result.group(1).strip() else: return None
  • 3)提取正文内容

    审查元素,可以看到百度贴吧每一层楼的主要内容都在

    标签里面,所以我们可以写如下的正则表达式

    "post_content_.*?>(.*?)

    所以提取正文内容的方法:

    #获取每一层楼的内容,传入页面内容
    def getContent(self,page):
        pattern = re.compile('
    for item in items: print item

    运行截图如下:

    Python爬虫实战之爬取百度贴吧帖子_第2张图片

    可以看到有很多的换行符和图片符,既然出现这样的情况,那肯定不是我们想要的结果。那我们就必须要将文本进行处理,将各种复杂的标签给剔除,还原帖子的原来面貌。可以使用一个方法或者类将这个处理文本的实现,不过为了更好的代码重用和架构,还是建议使用一个类。

    我们将这个类命名为Too(工具类),里面定义一个replace方法,替换各种标签。然后在类中定义几个正则表达式,利用re.sub方法对文本进行匹配后然后替换。

    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:

    #-*-coding:utf8-*-
    #created by 10412
    
    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('

    if result: # print result.group(1) #测试输出 return result.group(1).strip() else: return None # 获取帖子一共有多少页 def getPageNum(self): page = self.getPage(1) pattern = re.compile('
  • 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('
    # for item in items: # print item print self.tool.replace(items[1]) baseURL = 'http://tieba.baidu.com/p/3138733512' bdtb = BDTB(baseURL, 1) bdtb.getContent(bdtb.getPage(1))
  • 运行截图如下:

    Python爬虫实战之爬取百度贴吧帖子_第3张图片

    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。

    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('
    1 for item in items: print floor,u"楼------------------------------------------------------------------------------------------------------------------------------------\n" print self.tool.replace(item) floor += 1

    运行结果截图如下:

    Python爬虫实战之爬取百度贴吧帖子_第4张图片

    4. 写入文件

    代码:

    file = open(“tb.txt”,”w”)
    file.writelines(obj)

    5. 完善代码

    #-*-coding:utf8-*-
    #created by 10412
    
    
    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('

    if result: #如果存在,则返回标题 return result.group(1).strip() else: return None #获取帖子一共有多少页 def getPageNum(self,page): #获取帖子页数的正则表达式 pattern = re.compile('
  • 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('
    for item in items: #将文本进行去除标签处理,同时在前后加入换行符 content = "\n"+self.tool.replace(item)+"\n" contents.append(content.encode('utf-8')) return contents def setFileTitle(self,title): #如果标题不是为None,即成功获取到标题 if title is not None: self.file = open(title + ".txt","w+") else: self.file = open(self.defaultTitle + ".txt","w+") def writeData(self,contents): #向文件写入每一楼的信息 for item in contents: if self.floorTag == '1': #楼之间的分隔符 floorLine = "\n" + str(self.floor) + u"-----------------------------------------------------------------------------------------\n" self.file.write(floorLine) self.file.write(item) self.floor += 1 def start(self): indexPage = self.getPage(1) pageNum = self.getPageNum(indexPage) title = self.getTitle(indexPage) self.setFileTitle(title) if pageNum == None: print "URL已失效,请重试" return try: print "该帖子共有" + str(pageNum) + "页" for i in range(1,int(pageNum)+1): print "正在写入第" + str(i) + "页数据" page = self.getPage(i) contents = self.getContent(page) self.writeData(contents) #出现写入异常 except IOError,e: print "写入异常,原因" + e.message finally: print "写入任务完成" print u"请输入帖子代号" baseURL = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/')) seeLZ = raw_input("是否只获取楼主发言,是输入1,否输入0\n") floorTag = raw_input("是否写入楼层信息,是输入1,否输入0\n") bdtb = BDTB(baseURL,seeLZ,floorTag) bdtb.start()
  • 运行后截图如下:

    Python爬虫实战之爬取百度贴吧帖子_第5张图片


    备注:

    运行后注意输入帖子的代号先在网址后空格,再输入帖子代号,输入完再把刚才的空格

    删除,只有这样才不会报错。

    Traceback (most recent call last):
    File “E:/python/code/PycharmProject/Python-Projects/baidutieba/BDTB3.py”, line 149,
    in < module >
    bdtb.start()
    File “E:/python/code/PycharmProject/Python-Projects/baidutieba/BDTB3.py”, line 123, in start
    pageNum = self.getPageNum(indexPage)
    File “E:/python/code/PycharmProject/Python-Projects/baidutieba/BDTB3.py”, line 86, in getPageNum
    result = re.search(pattern,page)
    File “C:\Python27\lib\re.py”, line 146, in search
    return _compile(pattern, flags).search(string)
    TypeError: expected string or buffer

    你可能感兴趣的:(python,爬虫,Python相关文章,python,爬虫)