爬虫学习教程

爬虫，相信很多人都听过这个东西，但是更多的人可能不会用。现在我就写一个简单的介绍，让大家用这个嘿嘿嘿的东西，去做一些嘿嘿嘿的事情。

首先，爬虫是一段一般由python语言编写的程序。

爬虫，即网络爬虫，大家可以理解为在网络上爬行的一直蜘蛛，互联网就比作一张大网，而爬虫便是在这张网上爬来爬去的蜘蛛咯，如果它遇到资源，那么它就会抓取下来。想抓取什么？这个由你来控制它咯。

比如它在抓取一个网页，在这个网中他发现了一条道路，其实就是指向网页的超链接，那么它就可以爬到另一张网上来获取数据。这样，整个连在一起的大网对这之蜘蛛来说触手可及，分分钟爬下来不是事儿。

没看懂没关系，类比一下搜索引擎，爬虫就比这个要高端那么一点点，别告诉我不知道搜索引擎是什么，百度，谷歌就是搜索引擎，是一个网址，而浏览器可以理解为一个软件。而爬虫就是可以自动获取网页内容的程序。

好的，看不懂就这样吧，只要知道爬虫是自动的，很方便就行了，具体的可以去北半球论坛www.markbj.com去看一下。

然后，爬虫可以干什么和怎么干才是大家关心的问题。

那么怎样通过一个爬虫扒一个URL（即网址）呢，只需要写一段程序就行了，对于简单使用这样的程序是很简单的。根据所需要的去找就行了。举个例子，爬取百度贴吧的帖子。

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。

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  

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

好的，如果看不懂，请略过，到下一阶段。

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。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：

1. \_\_author\_\_ = 'CQC'

2. \# -*- coding:utf-8 -*-

3. import urllib

4. import urllib2

5. import re

6. 

7. \#百度贴吧爬虫类

8. class BDTB:

9. 

10.     \#初始化，传入基地址，是否只看楼主的参数

11.     def __init__(self,baseUrl,seeLZ):

12.         self.baseURL= baseUrl

13.         self.seeLZ= '?see_lz='+str(seeLZ)

14. 

15.     \#传入页码，获取该页帖子的代码

16.     def getPage(self,pageNum):

17.         try:

18.             url = self.baseURL+ self.seeLZ+ '&pn=' + str(pageNum)

19.             request = urllib2.Request(url)

20.             response = urllib2.urlopen(request)

21.             print response.read()

22.             return response

23.         except urllib2.URLError, e:

24.             if hasattr(e,"reason"):

25.                 print u"连接百度贴吧失败,错误原因",e.reason

26.                 return None

27. 

28. baseURL = 'http://tieba.baidu.com/p/3138733512'

29. bdtb = BDTB(baseURL,1)

30. bdtb.getPage(1)  

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。

提取相关信息

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

1. <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>  

所以我们想提取

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

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

所以，我们增加一个获取页面标题的方法

1. \#获取帖子标题

2. def getTitle(self):

3.     page = self.getPage(1)

4.     pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)

5.     result = re.search(pattern,page)

6.     if result:

7.         #print result.group(1)  #测试输出

8.         return result.group(1).strip()

9.     else:

10.         return None  

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

1. \#获取帖子一共有多少页

2. def getPageNum(self):

3.     page = self.getPage(1)

4.     pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)

5.     result = re.search(pattern,page)

6.     if result:

7.         #print result.group(1)  #测试输出

8.         return result.group(1).strip()

9.     else:

10.         return None  

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

标签里面，所以我们可以写如下的正则表达式

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

相应地，获取页面所有楼层数据的方法可以写成如下方法

1. \#获取每一层楼的内容,传入页面内容

2. def getContent(self,page):

3.     pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)

4.     items = re.findall(pattern,page)

5.     for item in items:

6.         print item  

好，我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，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

1. import re

2. 

3. \#处理页面标签类

4. class Tool:

5.     \#去除img标签,7位长空格

6.     removeImg = re.compile('<img.*?>| {7}|')

7.     \#删除超链接标签

8.     removeAddr = re.compile('<a.*?>|</a>')

9.     \#把换行的标签换为\n

10.     replaceLine = re.compile('<tr>|<div>|</div>|</p>')

11.     \#将表格制表<td>替换为\t

12.     replaceTD= re.compile('<td>')

13.     \#把段落开头换为\n加空两格

14.     replacePara = re.compile('<p.*?>')

15.     \#将换行符或双换行符替换为\n

16.     replaceBR = re.compile('<br><br>|<br>')

17.     \#将其余标签剔除

18.     removeExtraTag = re.compile('<.*?>')

19.     def replace(self,x):

20.         x = re.sub(self.removeImg,"",x)

21.         x = re.sub(self.removeAddr,"",x)

22.         x = re.sub(self.replaceLine,"\n",x)

23.         x = re.sub(self.replaceTD,"\t",x)

24.         x = re.sub(self.replacePara,"\n    ",x)

25.         x = re.sub(self.replaceBR,"\n",x)

26.         x = re.sub(self.removeExtraTag,"",x)

27.         \#strip()将前后多余内容删除

28.         return x.strip()  

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

1. __author__ = 'CQC'

2. \# -*- coding:utf-8 -*-

3. import urllib

4. import urllib2

5. import re

6. 

7. \#处理页面标签类

8. class Tool:

9.     \#去除img标签,7位长空格

10.     removeImg = re.compile('<img.*?>| {7}|')

11.     \#删除超链接标签

12.     removeAddr = re.compile('<a.*?>|</a>')

13.     \#把换行的标签换为\n

14.     replaceLine = re.compile('<tr>|<div>|</div>|</p>')

15.     \#将表格制表<td>替换为\t

16.     replaceTD= re.compile('<td>')

17.     \#把段落开头换为\n加空两格

18.     replacePara = re.compile('<p.*?>')

19.     \#将换行符或双换行符替换为\n

20.     replaceBR = re.compile('<br><br>|<br>')

21.     \#将其余标签剔除

22.     removeExtraTag = re.compile('<.*?>')

23.     def replace(self,x):

24.         x = re.sub(self.removeImg,"",x)

25.         x = re.sub(self.removeAddr,"",x)

26.         x = re.sub(self.replaceLine,"\n",x)

27.         x = re.sub(self.replaceTD,"\t",x)

28.         x = re.sub(self.replacePara,"\n    ",x)

29.         x = re.sub(self.replaceBR,"\n",x)

30.         x = re.sub(self.removeExtraTag,"",x)

31.         \#strip()将前后多余内容删除

32.         return x.strip()

33. 

34. \#百度贴吧爬虫类

35. class BDTB:

36. 

37.     \#初始化，传入基地址，是否只看楼主的参数

38.     def __init__(self,baseUrl,seeLZ):

39.         self.baseURL= baseUrl

40.         self.seeLZ= '?see_lz='+str(seeLZ)

41.         self.tool= Tool()

42.     \#传入页码，获取该页帖子的代码

43.     def getPage(self,pageNum):

44.         try:

45.             url = self.baseURL+ self.seeLZ+ '&pn=' + str(pageNum)

46.             request = urllib2.Request(url)

47.             response = urllib2.urlopen(request)

48.             return response.read().decode('utf-8')

49.         except urllib2.URLError, e:

50.             if hasattr(e,"reason"):

51.                 print u"连接百度贴吧失败,错误原因",e.reason

52.                 return None

53. 

54.     \#获取帖子标题

55.     def getTitle(self):

56.         page = self.getPage(1)

57.         pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)

58.         result = re.search(pattern,page)

59.         if result:

60.             #print result.group(1)  #测试输出

61.             return result.group(1).strip()

62.         else:

63.             return None

64. 

65.     \#获取帖子一共有多少页

66.     def getPageNum(self):

67.         page = self.getPage(1)

68.         pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)

69.         result = re.search(pattern,page)

70.         if result:

71.             #print result.group(1)  #测试输出

72.             return result.group(1).strip()

73.         else:

74.             return None

75. 

76.     \#获取每一层楼的内容,传入页面内容

77.     def getContent(self,page):

78.         pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)

79.         items = re.findall(pattern,page)

80.         #for item in items:

81.         #  print item

82.         print self.tool.replace(items[1])

83. 

84. baseURL = 'http://tieba.baidu.com/p/3138733512'

85. bdtb = BDTB(baseURL,1)

86. bdtb.getContent(bdtb.getPage(1))  

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！

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

1. \#获取每一层楼的内容,传入页面内容

2. def getContent(self,page):

3.     pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)

4.     items = re.findall(pattern,page)

5.     floor = 1

6.     for item in items:

7.         print floor,u"楼------------------------------------------------------------------------------------------------------------------------------------\n"

8.         print self.tool.replace(item)

9.         floor += 1  

运行一下看看效果

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

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

1. file = open(“tb.txt”,”w”)

2. file.writelines(obj)  

这里不再赘述，稍后直接贴上完善之后的代码。

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

1. __author__ = 'CQC'

2. \# -*- coding:utf-8 -*-

3. import urllib

4. import urllib2

5. import re

6. 

7. \#处理页面标签类

8. class Tool:

9.     \#去除img标签,7位长空格

10.     removeImg = re.compile('<img.*?>| {7}|')

11.     \#删除超链接标签

12.     removeAddr = re.compile('<a.*?>|</a>')

13.     \#把换行的标签换为\n

14.     replaceLine = re.compile('<tr>|<div>|</div>|</p>')

15.     \#将表格制表<td>替换为\t

16.     replaceTD= re.compile('<td>')

17.     \#把段落开头换为\n加空两格

18.     replacePara = re.compile('<p.*?>')

19.     \#将换行符或双换行符替换为\n

20.     replaceBR = re.compile('<br><br>|<br>')

21.     \#将其余标签剔除

22.     removeExtraTag = re.compile('<.*?>')

23.     def replace(self,x):

24.         x = re.sub(self.removeImg,"",x)

25.         x = re.sub(self.removeAddr,"",x)

26.         x = re.sub(self.replaceLine,"\n",x)

27.         x = re.sub(self.replaceTD,"\t",x)

28.         x = re.sub(self.replacePara,"\n    ",x)

29.         x = re.sub(self.replaceBR,"\n",x)

30.         x = re.sub(self.removeExtraTag,"",x)

31.         \#strip()将前后多余内容删除

32.         return x.strip()

33. 

34. \#百度贴吧爬虫类

35. class BDTB:

36. 

37.     #初始化，传入基地址，是否只看楼主的参数

38.     def __init__(self,baseUrl,seeLZ,floorTag):

39.         \#base链接地址

40.         self.baseURL= baseUrl

41.         \#是否只看楼主

42.         self.seeLZ= '?see_lz='+str(seeLZ)

43.         \#HTML标签剔除工具类对象

44.         self.tool= Tool()

45.         \#全局file变量，文件写入操作对象

46.         self.file= None

47.         \#楼层标号，初始为1

48.         self.floor= 1

49.         \#默认的标题，如果没有成功获取到标题的话则会用这个标题

50.         self.defaultTitle= u"百度贴吧"

51.         \#是否写入楼分隔符的标记

52.         self.floorTag= floorTag

53. 

54.     \#传入页码，获取该页帖子的代码

55.     def getPage(self,pageNum):

56.         try:

57.             \#构建URL

58.             url = self.baseURL+ self.seeLZ+ '&pn=' + str(pageNum)

59.             request = urllib2.Request(url)

60.             response = urllib2.urlopen(request)

61.             \#返回UTF-8格式编码内容

62.             return response.read().decode('utf-8')

63.         \#无法连接，报错

64.         except urllib2.URLError, e:

65.             if hasattr(e,"reason"):

66.                 print u"连接百度贴吧失败,错误原因",e.reason

67.                 return None

68. 

69.     \#获取帖子标题

70.     def getTitle(self,page):

71.         \#得到标题的正则表达式

72.         pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)

73.         result = re.search(pattern,page)

74.         if result:

75.             \#如果存在，则返回标题

76.             return result.group(1).strip()

77.         else:

78.             return None

79. 

80.     \#获取帖子一共有多少页

81.     def getPageNum(self,page):

82.         \#获取帖子页数的正则表达式

83.         pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)

84.         result = re.search(pattern,page)

85.         if result:

86.             return result.group(1).strip()

87.         else:

88.             return None

89. 

90.     \#获取每一层楼的内容,传入页面内容

91.     def getContent(self,page):

92.         \#匹配所有楼层的内容

93.         pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)

94.         items = re.findall(pattern,page)

95.         contents = []

96.         for item in items:

97.             \#将文本进行去除标签处理，同时在前后加入换行符

98.             content = "\n"+self.tool.replace(item)+"\n"

99.             contents.append(content.encode('utf-8'))

100.         return contents

101. 

102.     def setFileTitle(self,title):

103.         \#如果标题不是为None，即成功获取到标题

104.         if title is not None:

105.             self.file= open(title+ ".txt","w+")

106.         else:

107.             self.file= open(self.defaultTitle+ ".txt","w+")

108. 

109.     def writeData(self,contents):

110.         \#向文件写入每一楼的信息

111.         for item in contents:

112.             if self.floorTag== '1':

113.                 \#楼之间的分隔符

114.                 floorLine = "\n" + str(self.floor) + u"-----------------------------------------------------------------------------------------\n"

115.                 self.file.write(floorLine)

116.             self.file.write(item)

117.             self.floor+= 1

118. 

119.     def start(self):

120.         indexPage = self.getPage(1)

121.         pageNum = self.getPageNum(indexPage)

122.         title = self.getTitle(indexPage)

123.         self.setFileTitle(title)

124.         if pageNum == None:

125.             print "URL已失效，请重试"

126.             return

127.         try:

128.             print "该帖子共有" + str(pageNum) + "页"

129.             for i in range(1,int(pageNum)+1):

130.                 print "正在写入第" + str(i) + "页数据"

131.                 page = self.getPage(i)

132.                 contents = self.getContent(page)

133.                 self.writeData(contents)

134.         \#出现写入异常

135.         except IOError,e:

136.             print "写入异常，原因" + e.message

137.         finally:

138.             print "写入任务完成"

139. 

140. print u"请输入帖子代号"

141. baseURL = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))

142. seeLZ = raw_input("是否只获取楼主发言，是输入1，否输入0\n")

143. floorTag = raw_input("是否写入楼层信息，是输入1，否输入0\n")

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

145. bdtb.start()  

现在程序演示如下

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！（转自北半球论坛）

好的，以上内容看起来稍稍复杂了一点，但是操作是很容易的，有点基础的朋友们，照着打就行了。

你告诉我没有基础，好的，为了方便这样的人群。则会有一些软件应运而生。哈

1. 选中提取数据，在右边的窗口内，删除或增加要提取的数据内容，如果要增加，在窗口下方的浏览器上，直接选中要提取的数据，抓取对应的内容即可。修改完成后点击保存。

1. 

2. 

3. 

登陆软件，先去规则市场内搜索相关规则，找到后直接下载就行了

这个很简单的。

网上去找了几个图，看一下就行，别问我要账号。

爬虫呢，爬爬淘宝，百度，微信还是很实用的。当然，爬些小电影，咳咳，嗯。各位加油。

再安利一个北半球社区www.markbj.com，适合一些初中级的程序猿学习，也适合大牛的交流，可以去看一下，毕竟三两句话说不清楚。