爬虫-百度贴吧帖子
来源:互联网 发布:mac子弹头专柜价格 编辑:程序博客网 时间:2024/05/17 09:08
目的
- 对百度贴吧的任意帖子进行抓取
- 指定是否只抓取楼主发帖内容
- 将抓取到的内容分析并保存到文件
过程
URL格式分析
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。
1. http:// 代表资源传输使用http协议2.tieba.baidu.com 是百度的二级域名,指向百度贴吧的服务器。3. /p/3138733512 是服务器某个资源,即这个帖子的地址定位符4. 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
页面的抓取分析
直接上代码洛,测试通过了:
`# -*- coding: utf-8-*-__author__ = "a958832776"import urllibimport urllib2import 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}|') #删除超链接标签 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class baidutiebaclass: #构造函数 def __init__(self,baseUrl,seeLZ,floorTag): self.baseUrl=baseUrl self.seeLZ='?see_lz='+str(seeLZ); self.tool=Tool() self.file=None self.floor=1 self.defaultTitle=u"百度贴吧" self.floorTag=floorTag #获取帖子代码 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.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 def getTitle(self,page): pattern = re.compile('<h3 class="core_title_txt.*?>(.*?)</h3>',re.S) result = re.search(pattern,page) if result: return result.group(1).strip() else: return None def getPageNum(self,page): 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): pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S) items = re.findall(pattern,page) contents=[] for item in items: # print item content="\n"+self.tool.replace(item)+"\n" #如果出错把这个打印注释的 print content 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): #从第一页代码中获取页数和标题 page=self.getPage(1) pageNum=self.getPageNum(page) title=self.getTitle(page) self.setFileTitle(title); if pageNum==None: print u"连接失效...." return try: print u"该帖子共有"+str(pageNum).decode('utf-8')+u"页" for i in range(1,int(pageNum)+1): print u"正在写入第"+str(i).decode('utf-8')+u"页数据" pagecode=self.getPage(i) contents=self.getContent(pagecode); self.writeData(contents) except IOError,e: print u"写入异常,原因是: "+e.message finally: print u"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(u'释放只获取楼主发言,是输入1,否输入0\n')floorTag=raw_input(u"是否写入楼层信息,是输入1,否输入0\n")bdtb=baidutiebaclass(baseUrl,seeLZ,floorTag)bdtb.start();`
输入任意帖子id,然后根据提示操作,不明白的地方欢迎留言交流。。。
0 0
- 爬虫-百度贴吧帖子
- Python爬虫实战:百度贴吧帖子
- 【python爬虫】百度贴吧帖子图片批量保存爬虫
- 【python 爬虫】百度贴吧帖子所有楼层图片爬虫
- Python爬虫实战(2):百度贴吧帖子
- Python爬虫实战(2):百度贴吧帖子
- Xpath爬虫爬去百度贴吧帖子
- Python3 简单爬虫爬取百度贴吧帖子
- Python爬虫实战之爬取百度贴吧帖子
- python爬虫小项目: 爬取百度贴吧帖子
- python爬虫(13)爬取百度贴吧帖子
- 爬虫抓取百度贴吧帖子标题及作者
- Spider百度贴吧帖子
- Python爬虫实战二之爬取百度贴吧帖子
- python学习笔记之爬虫之爬取百度贴吧某一帖子
- python爬虫学习笔记2——百度贴吧帖子爬取
- 如何利用python爬虫技术将百度贴吧上面的帖子名称爬取下来
- [python爬虫]利用urllib2爬取百度贴吧帖子相关内容
- onpopstate浏览器点击回退按钮时触发的事件
- EasyDarwin开源流媒体服务器性能瓶颈分析及优化方案设计
- 键盘按键处理过程
- Android studio 导出,导入 arr包
- broken dependencies in the rawhide tree
- 爬虫-百度贴吧帖子
- vector push_back可能出错
- 0-1背包优化动态规划算法之跳跃点法
- Android 根据包名,获取应用程序的签名
- 算法导论复习(5) 线性时间排序
- 自定义滚动轴样式
- sql中的数据表三种连接方式
- Tomcat的信息国际化之路
- 前端项目实战1:酒仙网首页