芝麻HTTP:Python爬虫实战之爬取百度贴吧帖子

时间 2019-11-21

标签芝麻 http python 爬虫实战百度贴吧帖子栏目 HTTP/TCP 繁體版

原文原文链接

本篇目标

1.对百度贴吧的任意帖子进行抓取正则表达式

2.指定是否只抓取楼主发帖内容浏览器

3.将抓取到的内容分析并保存到文件服务器

1.URL格式的肯定

首先，咱们先观察一下百度贴吧的任意一个帖子。架构

好比：http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1app

http://  表明资源传输使用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，分别表明了只看楼主和帖子页码，等于1表示该条件为真

因此咱们能够把URL分为两部分，一部分为基础部分，一部分为参数部分。工具

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

2.页面的抓取

熟悉了URL的格式，那就让咱们用urllib2库来试着抓取页面内容吧。上一篇糗事百科咱们最后改为了面向对象的编码方式，此次咱们直接尝试一下，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。测试

其中，有些帖子咱们想指定给程序是否要只看楼主，因此咱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，获取页面的方法咱们须要知道一个参数就是帖子页码，因此这个参数的指定咱们放在该方法中。优化

综上，咱们初步构建出基础代码以下：ui

__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"链接百度贴吧失败,错误缘由",e.reason
                return None
 
baseURL = 'http://tieba.baidu.com/p/3138733512'
bdtb = BDTB(baseURL,1)
bdtb.getPage(1)

运行代码，咱们能够看到屏幕上打印出了这个帖子第一页楼主发言的全部内容，形式为HTML代码。

3.提取相关信息

1）提取帖子标题

首先，让咱们提取帖子的标题。

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

<h1 class="core_title_txt  " title="纯原创我心中的NBA2014-2015赛季现役50大" style="width: 396px">纯原创我心中的NBA2014-2015赛季现役50大</h1>

因此咱们想提取<h1>标签中的内容，同时还要指定这个class肯定惟一，由于h1标签实在太多啦。

正则表达式以下

<h1 class="core_title_txt.*?>(.*?)</h1>

因此，咱们增长一个获取页面标题的方法

#获取帖子标题
def getTitle(self):
    page = self.getPage(1)
    pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',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

2）提取帖子页数

一样地，帖子总页数咱们也能够经过分析页面中的共?页来获取。因此咱们的获取总页数的方法以下

#获取帖子一共有多少页
def getPageNum(self):
    page = self.getPage(1)
    pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',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

3）提取正文内容

审查元素，咱们能够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，因此咱们能够写以下的正则表达式

<div id="post_content_.*?>(.*?)</div>

相应地，获取页面全部楼层数据的方法能够写成以下方法

#获取每一层楼的内容,传入页面内容
def getContent(self,page):
    pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
    items = re.findall(pattern,page)
    for item in items:
        print item

好，咱们运行一下结果看一下

真是醉了，还有一大片换行符和图片符，好口怕！既然这样，咱们就要对这些文本进行处理，把各类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能够，不过为了实现更好的代码架构和代码重用，咱们能够考虑把标签等的处理写做一个类。

那咱们就叫它Tool（工具类吧），里面定义了一个方法，叫replace，是替换各类标签的。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而后替换。具体的思路已经写到注释中，你们能够看一下这个类

import re
 
#处理页面标签类
class Tool:
    #去除img标签,7位长空格
    removeImg = re.compile('<img.*?>| {7}|')
    #删除超连接标签
    removeAddr = re.compile('<a.*?>|</a>')
    #把换行的标签换为\n
    replaceLine = re.compile('<tr>|<div>|</div>|</p>')
    #将表格制表<td>替换为\t
    replaceTD= re.compile('<td>')
    #把段落开头换为\n加空两格
    replacePara = re.compile('<p.*?>')
    #将换行符或双换行符替换为\n
    replaceBR = re.compile('<br><br>|<br>')
    #将其他标签剔除
    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()将先后多余内容删除
        return x.strip()

在使用时，咱们只须要初始化一下这个类，而后调用replace方法便可。

如今总体代码是以下这样子的，如今个人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('<img.*?>| {7}|')
    #删除超连接标签
    removeAddr = re.compile('<a.*?>|</a>')
    #把换行的标签换为\n
    replaceLine = re.compile('<tr>|<div>|</div>|</p>')
    #将表格制表<td>替换为\t
    replaceTD= re.compile('<td>')
    #把段落开头换为\n加空两格
    replacePara = re.compile('<p.*?>')
    #将换行符或双换行符替换为\n
    replaceBR = re.compile('<br><br>|<br>')
    #将其他标签剔除
    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()将先后多余内容删除
        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"链接百度贴吧失败,错误缘由",e.reason
                return None
 
    #获取帖子标题
    def getTitle(self):
        page = self.getPage(1)
        pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',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
 
    #获取帖子一共有多少页
    def getPageNum(self):
        page = self.getPage(1)
        pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',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('<div id="post_content_.*?>(.*?)</div>',re.S)
        items = re.findall(pattern,page)
        #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))

咱们尝试一下，从新再看一下效果，这下通过处理以后应该就没问题了，是否是感受好酸爽！

4）替换楼层

至于这个问题，我感受直接提取楼层没什么必要呀，由于只看楼主的话，有些楼层的编号是间隔的，因此咱们获得的楼层序号是不连续的，这样咱们保存下来也没什么用。

因此能够尝试下面的方法：

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.试着从新编一个楼层，按照顺序，设置一个变量，每打印出一个结果变量加一，打印出这个变量当作楼层。

这里咱们尝试一下吧，看看效果怎样

把getContent方法修改以下

#获取每一层楼的内容,传入页面内容
def getContent(self,page):
    pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
    items = re.findall(pattern,page)
    floor = 1
    for item in items:
        print floor,u"楼------------------------------------------------------------------------------------------------------------------------------------\n"
        print self.tool.replace(item)
        floor += 1

运行一下看看效果

嘿嘿，效果还不错吧，感受真酸爽！接下来咱们完善一下，而后写入文件

4.写入文件

最后即是写入文件的过程，过程很简单，就几句话的代码而已，主要是利用了如下两句

file = open(“tb.txt”,”w”)

file.writelines(obj)

这里再也不赘述，稍后直接贴上完善以后的代码。

5.完善代码

如今咱们对代码进行优化，重构，在一些地方添加必要的打印信息，整理以下

__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('<img.*?>| {7}|')
    #删除超连接标签
    removeAddr = re.compile('<a.*?>|</a>')
    #把换行的标签换为\n
    replaceLine = re.compile('<tr>|<div>|</div>|</p>')
    #将表格制表<td>替换为\t
    replaceTD= re.compile('<td>')
    #把段落开头换为\n加空两格
    replacePara = re.compile('<p.*?>')
    #将换行符或双换行符替换为\n
    replaceBR = re.compile('<br><br>|<br>')
    #将其他标签剔除
    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()将先后多余内容删除
        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连接地址
        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，文件写入操做对象
        self.file = None
        #楼层标号，初始为1
        self.floor = 1
        #默认的标题，若是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')
        #没法链接，报错
        except urllib2.URLError, e:
            if hasattr(e,"reason"):
                print u"链接百度贴吧失败,错误缘由",e.reason
                return None
 
    #获取帖子标题
    def getTitle(self,page):
        #获得标题的正则表达式
        pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)
        result = re.search(pattern,page)
        if result:
            #若是存在，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('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',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):
        #匹配全部楼层的内容
        pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
        items = re.findall(pattern,page)
        contents = []
        for item in items:
            #将文本进行去除标签处理，同时在先后加入换行符
            content = "\n"+self.tool.replace(item)+"\n"
            contents.append(content.encode('utf-8'))
        return contents
 
    def setFileTitle(self,title):
        #若是标题不是为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，缘由" + 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()

如今程序演示以下

完成以后，能够查看一下当前目录下多了一个以该帖子命名的txt文件，内容即是帖子的全部数据。

抓贴吧，就是这么简单和任性！