Python爬虫实战(2):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。

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:

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。

20150219162232

3.提取相关信息

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

所以我们想提取<h1>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

所以,我们增加一个获取页面标题的方法

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。所以我们的获取总页数的方法如下

3)提取正文内容

审查元素,我们可以看到百度贴吧每一层楼的主要内容都在<div id=”post_content_xxxx”></div>标签里面,所以我们可以写如下的正则表达式

相应地,获取页面所有楼层数据的方法可以写成如下方法

好,我们运行一下结果看一下

20150219235120

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

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

我们尝试一下,重新再看一下效果,这下经过处理之后应该就没问题了,是不是感觉好酸爽!

20150220000103

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

运行一下看看效果

20150220000947

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

现在程序演示如下

20150220012351

 

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。

抓贴吧,就是这么简单和任性!

打赏支持我写出更多好文章,谢谢!

打赏作者

打赏支持我写出更多好文章,谢谢!

任选一种支付方式

2 10 收藏 20 评论

关于作者:崔庆才

静觅 静静寻觅生活的美好个人站点 cuiqingcai.com 个人主页 · 我的文章 · 17 ·    

相关文章

可能感兴趣的话题



直接登录
最新评论
  • 雪特人   2015/04/30

    为什么爬到的txt文档里每行只有一个字

    • lucifiarain   2015/05/01

      你第一个实战搞了吗?怎么感觉过滤不出来东西

    • mika.liu   2015/05/02

      将上面的replace函数改为这样
      def replace(self,x):
      x = re.sub(self.removeImg,"",x)
      x = re.sub(self.removeAddr,"",x)
      x = re.sub(self.replaceLine,"",x)
      x = re.sub(self.replaceTD,"\t",x)
      x = re.sub(self.replacePara,"",x)
      x = re.sub(self.replaceBR,"",x)
      x = re.sub(self.removeExtraTag,"",x)
      #strip()将前后多余内容删除
      return x.strip()

    • replaceBR = re.compile('|')改成replaceBR = re.compile('||')

      • 不知道为什么只要是打成html的tag,都不显示,那我用中文输入法打好了replaceBR = re.compile(‘《br》|《/br》’), 把里面的中文括号改成英文就好了

    • 雪特人   2015/05/07

      x=re.sub('|','\n',x)应该是匹配任意一个字符,因此保存的txt文档每行只有一个字,改成x=re.sub('|','\n',x)

  • Ack   2015/11/29

    求教楼主,pycharm中运行后输出的HTML页面如何设置自动缩进(本页第一个运行效果图),我这里是输出成一行了,很难看

  • def getPageNum(self):
    page = self.getPage(1)
    pattern = re.compile('<li class="l_reply_num.*?.*?(.*?)',re.S)
    result = re.search(pattern,page)
    求助楼主,按照楼主的代码提交后为啥会出现TypeError: expected string or buffer,在result那一行

    • 文二十口   2016/02/26

      我也出现那种问题
      后来发现 getPage(1)的返回值的问题,你返回的是否是decode的后的,这句 return response.read().decode('utf-8') 如果你忘记加decode就会出现问题,decode之后应该是string,decode之前是不是二进制编码? (不清楚反正不一样,嘿嘿) 因为你的page要从getPage的返回值获取

  • 能出结果,但是速度太慢了。怎么解决??

  • ヅHopeヅ   2016/04/27

    # -*- coding: cp936 -*-
    __author__='RingoYan'
    import urllib
    import urllib2
    import re
    import thread
    import time

    # The proxy address and port:
    proxy_info = { 'host' : 'web-proxy.oa.com',
    'port' : 8080
    }
    # We create a handler for the proxy
    proxy_support = urllib2.ProxyHandler({"http" : "http://%(host)s:%(port)d" % proxy_info})

    # We create an opener which uses this handler:
    opener = urllib2.build_opener(proxy_support)

    # Then we install this opener as the default opener for urllib2:
    urllib2.install_opener(opener)

    #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()
    '''
    def replace(self,x):
    x = re.sub(self.removeImg,"",x)
    x = re.sub(self.removeAddr,"",x)
    x = re.sub(self.replaceLine,"",x)
    x = re.sub(self.replaceTD,"\t",x)
    x = re.sub(self.replacePara,"",x)
    x = re.sub(self.replaceBR,"",x)
    x = re.sub(self.removeExtraTag,"",x)
    #strip()将前后多余内容删除
    return x.strip()
    '''

    #http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1
    #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
    #百度贴吧爬虫类
    class BDTB:
    #初始化方法,传入基地址,是否只看楼主的参数
    def __init__(self,baseUrl,seeLZ,floorTag):
    self.user_agent = 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/43.0.2357.132 Safari/537.36s'
    self.headers = { 'User-Agent' : self.user_agent }
    self.baseURL = baseUrl
    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
    #楼层号,初始化为1
    self.floor = 1
    #默认的标题,如果没有成功获取标题就以这个为标题
    self.defaultTitle = u"百度贴吧"
    #是否写入楼层分割的标记
    self.floorTag = floorTag

    #传入某一页的索引获得页面
    def getPage(self, pageNum):
    try:
    url = self.baseURL + self.seeLZ + '&pn=' + str(pageNum)
    #print url
    #构建请求的request
    request = urllib2.Request(url,headers = self.headers)
    #利用urlopen获取页面代码
    response = urllib2.urlopen(request)
    #将页面转化为utf-8编码
    content = response.read().decode('utf-8')
    #print content
    return content
    except urllib2.URLError, e:
    if hasattr(e,"code"):
    print u"连接百度贴吧失败,错误原因",e.code
    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):
    pattern = re.compile('(.*?)', re.S)
    result = re.search(pattern, page)
    if result:
    #输出
    return result.group(1).strip()
    else:
    print 'nothing'
    return None

    #获取帖子一共有多少页
    def getPageNum(self, page):
    pattern = re.compile('<span.*?.*?(.*?)', re.S)
    result = re.search(pattern, page)
    if result:
    #输出
    #print result.group(1)
    return result.group(1).strip()
    else:
    print 'nothing'
    return None

    #获取每一层楼的内容,传入页面的内容
    def getContent(self,page):
    pattern = re.compile('(.*?)', re.S)
    items = re.findall(pattern, page)
    contents =[]
    for item in items:
    #将文本进行去除标签处理
    content = self.tool.replace(item)
    contents.append(content.encode('utf-8'))
    return contents

    #定义保存文件的文件名
    def setFileTitle(self,title):
    if title is not None:
    self.file = open(title + ".txt","w+")
    else:
    self.file = open(self.defaultTitle + ".txt","w+")

    #写入数据
    def writeData(self,contents):
    #向文件写入每一楼的信息
    for content in contents:
    if self.floorTag == '1':
    #楼层间的分隔符
    floorLine = "\n" + str(self.floor) + u"-----------------------------------\n"
    self.file.write(floorLine)
    self.file.write(content)
    self.floor += 1

    #开始执行
    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:
    self.file.close()
    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):")
    floorTag = raw_input("是否写入楼层信息(是输入1,否输入0):")

    bdtb = BDTB(baseURL, seeLZ, floorTag)
    bdtb.start()

    自己调试好的代码,亲测可用。
    请输入帖子代号:
    http://tieba.baidu.com/p/3138733512
    是否只获取楼主发言(是输入1,否输入0):1
    是否写入楼层信息(是输入1,否输入0):1
    该帖子共有:5页
    正在写入第:1页数据
    正在写入第:2页数据
    正在写入第:3页数据
    正在写入第:4页数据
    正在写入第:5页数据
    写入任务完成

  • Recursion   2016/05/31

  • Bolian   02/11

    谁能跟我解释一下作者怎么保存到本地文件的吗。。。。我有点看不懂。。。

    下面参考了一部分作者的写的程序,在Python3写的。。。简化版的感觉。。。麻烦各位指点一下问题。。。哈哈,新年快乐,哈哈哈哈

  • wx_dNOdOCCd   03/01

    谢谢

跳到底部
返回顶部