基于Python实现的百度贴吧网络爬虫实例

本文实例讲述了基于Python实现的百度贴吧网络爬虫。分享给大家供大家参考。具体如下：

完整实例代码点击此处本站下载。

项目内容：

用Python写的百度贴吧的网络爬虫。

使用方法：

新建一个BugBaidu.py文件，然后将代码复制到里面后，双击运行。

程序功能：

将贴吧中楼主发布的内容打包txt存储到本地。

原理解释：

首先，先浏览一下某一条贴吧，点击只看楼主并点击第二页之后url发生了一点变化，变成了：
http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1

可以看出来，see_lz=1是只看楼主，pn=1是对应的页码，记住这一点为以后的编写做准备。
这就是我们需要利用的url。
接下来就是查看页面源码。
首先把题目抠出来存储文件的时候会用到。
可以看到百度使用gbk编码，标题使用h1标记：

复制代码 代码如下:

<h1 class="core_title_txt" src="/uploads/allimg/200609/1-20060Z93P8.png" />

生成的txt文件：

# -*- coding: utf-8 -*-
#---------------------------------------
#  程序：百度贴吧爬虫
#  版本：0.5
#  作者：why
#  日期：2013-05-16
#  语言：Python 2.7
#  操作：输入网址后自动只看楼主并保存到本地文件
#  功能：将楼主发布的内容打包txt存储到本地。
#---------------------------------------
import string
import urllib2
import re
#----------- 处理页面上的各种标签 -----------
class HTML_Tool:
  # 用非 贪婪模式 匹配 \t 或者 \n 或者 空格 或者 超链接 或者 图片
  BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")
  # 用非 贪婪模式 匹配 任意<>标签
  EndCharToNoneRex = re.compile("<.*?>")
  # 用非 贪婪模式 匹配 任意<p>标签
  BgnPartRex = re.compile("<p.*?>")
  CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")
  CharToNextTabRex = re.compile("<td>")
  # 将一些html的符号实体转变为原始符号
  replaceTab = [("<","<"),(">",">"),("&","&"),("&","\""),(" "," ")]
  def Replace_Char(self,x):
    x = self.BgnCharToNoneRex.sub("",x)
    x = self.BgnPartRex.sub("\n  ",x)
    x = self.CharToNewLineRex.sub("\n",x)
    x = self.CharToNextTabRex.sub("\t",x)
    x = self.EndCharToNoneRex.sub("",x)
    for t in self.replaceTab:
      x = x.replace(t[0],t[1])
    return x
class Baidu_Spider:
  # 申明相关的属性
  def __init__(self,url):
    self.myUrl = url + '?see_lz=1'
    self.datas = []
    self.myTool = HTML_Tool()
    print u'已经启动百度贴吧爬虫，咔嚓咔嚓'
  # 初始化加载页面并将其转码储存
  def baidu_tieba(self):
    # 读取页面的原始信息并将其从gbk转码
    myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")
    # 计算楼主发布内容一共有多少页
    endPage = self.page_counter(myPage)
    # 获取该帖的标题
    title = self.find_title(myPage)
    print u'文章名称：' + title
    # 获取最终的数据
    self.save_data(self.myUrl,title,endPage)
  #用来计算一共有多少页
  def page_counter(self,myPage):
    # 匹配 "共有<span class="red">12</span>页" 来获取一共有多少页
    myMatch = re.search(r'class="red">(\d+?)</span>', myPage, re.S)
    if myMatch:
      endPage = int(myMatch.group(1))
      print u'爬虫报告：发现楼主共有%d页的原创内容' % endPage
    else:
      endPage = 0
      print u'爬虫报告：无法计算楼主发布内容有多少页！'
    return endPage
  # 用来寻找该帖的标题
  def find_title(self,myPage):
    # 匹配 <h1 class="core_title_txt" id="codetool">