简单的python 网络爬虫实现

  最近拉肚子三天了，晚上单位又聚餐，一不当心吃多了点，晚上跑厕所跑的频繁，索性睡不着了，参照网上资料，敲了段python 爬虫代码，第一次学习除了shell 和js 外的脚本语言，无限的坑坑，都说python 的效率是 java 的3倍，因为是新手，跌跌撞撞总算是写了出来，仍是比较欣慰的。
    简单介绍一下python ：
    一、设计哲学： Python的设计哲学是“优雅”、“明确”、“简单”。所以，Perl语言中“老是有多种方法来作同一件事”的理念在Python开发者中一般是难以忍受的。Python开发者的哲学是“用一种方法，最好是只有一种方法来作一件事”。
     二、用途：（1）.运维：数据挖掘。

       （2）.抓取网页比较多，生成报表，批量删除某种文件等等小事。。。

       （3）.数据采集，服务器上小工具编写
       （4）.使用范围广，Linux和Windows、Mac OS等上都能用，也就是平台无关性吧

       （5）.不少自动化测试工具都支持Python脚本，因此才须要应聘者了解这方面

       （6）.整理文档，备份，监视服务器

   三、常见的python web 框架 
         Django: Python Web应用开发框架
         Flask：一个用Python编写的轻量级Web应用框架  
         Web2py：全栈式Web框架
          Dpark：Python版的Spark
言归正传：写代码第一个坑就是缩进，最近看一些个做者的代码没有缩进简直没法忍受，要是在python中没有缩进，就是违背了自己的语法。第二个坑就是代码调试。好歹都已经解决，下面是我爬了百度贴吧nba 的一个帖子，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):
        print '_int_ 至关于这个累的构造函数'
        self.baseURL = baseUrl
        self.seeLZ = '?see_lz=' + str(seeLZ)
        self.tool = Tool()
     
    def getPage(self, pageNum):
        print '获取百度贴吧地几页的帖子开始'   
        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
        print '获取百度贴吧地几页的帖子结束'
    #获取帖子标题
    def getTile(self):
        print '获取帖子标题开始'
        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
        print '获取帖子标题结束'      
            
    #提取帖子页数
    #获取帖子一共有多少页
    def getPageNum(self):
        print '获取帖子页数一共有多少页开始'
        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
        print '获取帖子页数一共有多少页结束'
    
    def getContent(self, page):
        print '获取正文内容开始'
        pattern = re.compile('<div id="post_content_.*?>(.*?)</div>', re.S)
        items = re.findall(pattern, page)
        #for item in items:
        #   print item
        #print items[1]
        print self.tool.replace(items[1])
        print '获取正文内容结束'
baseURL = 'http://tieba.baidu.com/p/3138733512'
bdtb = BDTB(baseURL, 1)
bdtb.getContent(bdtb.getPage(1))