百度贴吧的内容的爬取,以一个NBA吧的实例,在python3.6上,IDE是pycharm,最新的正则。
来源:互联网 发布:网络电视apk软件下载 编辑:程序博客网 时间:2024/05/29 09:50
import urllibimport refrom urllib import request#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()class BDTB: def __init__(self,baseUrl,seeLZ,floorTag): self.baseURL = baseUrl self.seeLZ = '?see_lz='+str(seeLZ) self.tool = Tool() self.file = None # 楼层标号,初始为1 self.floor = 1 # 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 self.defaultTitle = u"百度贴吧" # 是否写入楼分隔符的标记 self.floorTag = floorTag def getPage(self,pageNum): try: url = self.baseURL+self.seeLZ+'&pn='+str(pageNum) request = urllib.request.Request(url) response = urllib.request.urlopen(request) #print(response.read().decode('utf-8')) content = response.read().decode('utf-8') return content except urllib.error.URLError as 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): #print(page) pattern = re.compile('<h3 class="core_title_txt.*?>(.*?)</h3>', re.S) result = re.search(pattern, str(page)) if result: #print(result.group(1)) return result.group(1).strip() else: return None def getPageNum(self, indexPage): pattern = re.compile('<span class="red">(.*?)</span>', re.S) result = re.search(pattern, indexPage) if result: #print(result.group(1)) return result.group(1).strip() else: return None def getContent(self, page): pattern = re.compile('<div id="post_content_.*?>(.*?)</div>', re.S) items = re.findall(pattern, page) floor = 1 contents = [] #items_res = list() for item in items: content ='\n'+self.tool.replace(item)+'\n' contents.append(content) #print(floor,u'楼-----------------------------------------------------\n') #items_res.append(self.tool.replace(item)) #print(self.tool.replace(item)) floor += 1 return contents def write(self, contents): for item in contents: filename = 'tieba.txt' with open(filename, 'a') as file_object: if self.floorTag == '1': # 楼之间的分隔符 floorLine = "\n" + str( self.floor) + u"-----------------------------------------------------------------------------------------\n" file_object.write(floorLine) file_object.write(str(item)) self.floor += 1 def start(self): indexPage = self.getPage(1) #print(indexPage) pageNum = self.getPageNum(indexPage) title = self.getTitle(indexPage) 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.write(contents) except IOError as e: print("写入异常,原因" + e.message) finally: print("写入任务完成")# batb = BDTB(baseURL, 1,1)# print(batb.getPage(1))# print(u'请输入帖子网址')# baseurl = input(u'请输入帖子网址:')# seeLZ = input("是否只获取楼主发言,是输入1,否输入0\n")# floorTag = input("是否写入楼层信息,是输入1,否输入0\n")# bdtb = BDTB(baseurl, seeLZ)# bdtb.start()#baseURL = 'https://tieba.baidu.com/p/' + str(input(u'https://tieba.baidu.com/p/'))baseURL = 'https://tieba.baidu.com/p/3138733512'seeLZ = input("是否只获取楼主发言,是输入1,否输入0\n")floorTag = 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()
阅读全文
1 0
- 百度贴吧的内容的爬取,以一个NBA吧的实例,在python3.6上,IDE是pycharm,最新的正则。
- Python爬虫实例(2)-用BeautifulSoup爬取一个网页上的多张照片(以百度贴吧为例)
- pycharm是一个很棒的python语言ide
- 一个小的爬虫实例——爬取百度贴吧图片
- python的IDE:PyCharm
- python爬虫爬取NBA贴吧的所有精品贴
- 在一个窗口中更改了数据库内容,在父窗口中需要刷新 以显示最新的数据库内容
- python3爬虫(1)--百度百科的页面爬取
- python3.6.2实现的简单爬虫爬取百度百科
- 爬虫实例:爬取一个网页上的图片地址
- Pycharm 增加 Python3的路径
- 利用Python3爬取百度贴吧
- Python3爬取百度贴吧网页
- 爬取2016-2017赛季NBA球员的数据
- PyCharm (Python IDE) 在win7 下的推荐设置
- Python--爬取一个百度贴吧的图片(风景吧)
- 正则取a标签的内容
- python网络爬虫学习(二)一个爬取百度贴吧的爬虫程序
- POJ 2433 Travel 最短路树?
- 【OpenCV人脸识别入门教程之二】人脸检测
- linux grep工作常用
- JAVA REENTRANTLOCK、SEMAPHORE 的实现与 AQS 框架
- 今天吃点好的---背包
- 百度贴吧的内容的爬取,以一个NBA吧的实例,在python3.6上,IDE是pycharm,最新的正则。
- C#中结构体和类区别和联系
- redis和spring整合
- 线段树模板
- IDEA的快捷键大全
- php学习笔记第一天(原码、补码、反码和逻辑运算符)
- 《System Service Call-oriented Symbolic Execution of Android Framework with Applications to...》论文阅读笔记
- ImportError: No module named _caffe
- 基于 AbstractQueuedSynchronizer 的并发类实现