[python3]爬虫实战二之爬取百度贴吧帖子
来源:互联网 发布:程序员大牛 编辑:程序博客网 时间:2024/06/08 11:43
参考http://cuiqingcai.com/990.html。不过原文是python2.7。
大家好,上次我们实验了爬取了糗事百科的段子,那么这次我们来尝试一下爬取百度贴吧的帖子。与上一篇不同的是,这次我们需要用到文件的相关操作。
本篇目标
1.对百度贴吧的任意帖子进行抓取
2.指定是否只抓取楼主发帖内容
3.将抓取到的内容分析并保存到文件
1.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。
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
2.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。上一篇糗事百科我们最后改成了面向对象的编码方式,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:
#!/usr/bin/env/python#encoding:UTF-8import reimport requestsimport urllib#百度贴吧爬虫类class BDTB: def __init__(self, baseUrl, seeLZ): self.baseUrl = baseUrl self.seeLZ = '?see_lz='+str(seeLZ) self.headers = { 'User-Agent': r'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT) ' r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 'Referer': r'https://www.qiushibaike.com/', 'Connection': 'keep-alive' } #传入页码,获取该页码帖子的代码 def getPage(self,pageNum): try: url = self.baseUrl+self.seeLZ+'&pn='+str(pageNum) req = urllib.request.Request(url, headers = self.headers) res = urllib.request.urlopen(req).read().decode() return res except urllib.error.URLError as e: if hasattr(e, "reason"): print("连接百度贴吧失败,错误原因:",e.reason) return None
3.提取相关信息
1)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
<h3 class="core_title_txt pull-left text-overflow " 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</h3>
所以我们想提取<h3>标签中的内容,同时还要指定这个class确定唯一,因为h3标签实在太多啦。
正则表达式如下
pattern = re.compile('<h3 class="core_title_txt.*?title="(.*?)"',re.S)所以,我们增加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('<h3 class="core_title_txt.*?title="(.*?)"',re.S) result = re.findall(pattern, page) print(result) if result: return result else: return None
2)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
#提取帖子页数def getPageNum(self):
page = self.getPage(1)
pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span class="red">(.*?)</span>.*?</li>',re.S)
result = re.findall(pattern, page)
print(result)
3)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<div id=”post_content_xxxx”></div>标签里面,所以我们可以写如下的正则表达式
相应地,获取页面所有楼层数据的方法可以写成如下方法
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
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
#!/usr/bin/env/python#encoding:UTF-8import reimport requestsimport urllib#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()#百度贴吧爬虫类class BDTB: def __init__(self, baseUrl, seeLZ): self.baseUrl = baseUrl self.seeLZ = '?see_lz='+str(seeLZ) self.headers = { 'User-Agent': r'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT) ' r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 'Referer': r'https://www.qiushibaike.com/', 'Connection': 'keep-alive' } self.tool = Tool() #传入页码,获取该页码帖子的代码 def getPage(self,pageNum): try: url = self.baseUrl+self.seeLZ+'&pn='+str(pageNum) req = urllib.request.Request(url, headers = self.headers) res = urllib.request.urlopen(req).read().decode() return res except urllib.error.URLError as e: if hasattr(e, "reason"): print("连接百度贴吧失败,错误原因:",e.reason) return None #获取帖子标题 def getTitle(self): page = self.getPage(1) pattern = re.compile('<h3 class="core_title_txt.*?title="(.*?)"',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 #提取帖子页数 def getPageNum(self): page = self.getPage(1) pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span class="red">(.*?)</span>.*?</li>',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 #提取正文内容 def getContent(self, page): pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S) items = re.findall(pattern,page) print (self.tool.replace(items[1]))baseURL = 'http://tieba.baidu.com/p/3138733512'bdtb = BDTB(baseURL,1)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!
4)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
#提取正文内容 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
结果显示:
4.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
file = open(“tb.txt”,”w”)
file.writelines(obj)
这里不再赘述,稍后直接贴上完善之后的代码。
5.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
#!/usr/bin/env/python#encoding:UTF-8import reimport requestsimport urllib#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()#百度贴吧爬虫类class BDTB: def __init__(self, baseUrl, seeLZ, floorTag): self.baseUrl = baseUrl self.seeLZ = '?see_lz='+str(seeLZ) self.headers = { 'User-Agent': r'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT) ' r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 'Referer': r'https://www.qiushibaike.com/', 'Connection': 'keep-alive' } self.tool = Tool() self.file = None self.floor = 1 self.defaultTitle = u'百度贴吧' #是否写入分隔符的标记 self.floorTag = floorTag #传入页码,获取该页码帖子的代码 def getPage(self,pageNum): try: url = self.baseUrl+self.seeLZ+'&pn='+str(pageNum) req = urllib.request.Request(url, headers = self.headers) res = urllib.request.urlopen(req).read().decode() return res except urllib.error.URLError as e: if hasattr(e, "reason"): print("连接百度贴吧失败,错误原因:",e.reason) return None #获取帖子标题 def getTitle(self, page): pattern = re.compile('<h3 class="core_title_txt.*?title="(.*?)"',re.S) result = re.findall(pattern,page) if result: #print result.group(1) #测试输出 return result[0] else: return None #提取帖子页数 def getPageNum(self,page): pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span class="red">(.*?)</span>.*?</li>',re.S) result = re.findall(pattern,page) if result: #print result.group(1) #测试输出 return result[0] else: return None #提取正文内容 def getContent(self, page): pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S) items = re.findall(pattern,page) contents = [] for item in items: content = "\n"+self.tool.replace(item)+'\n' contents.append(content) return contents def setFileTitle(self,title): if title is not None: self.file = open(title + '.txt', 'w+') else: self.file = open(self.defaultTitle + '.txt', 'w+') def writeData(self, contents): for item in contents: if self.floorTag == '1': floorLine = '\n'+str(self.floor) +' 楼-----------------------------------------------------------------------------------------\n' # floorLine = floorLine.encode('utf-8') 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') return try: print('该帖子共有%s页'%(str(pageNum))) for i in range(1,int(pageNum)+1): print('正在写入第%s页数据'%(str(i))) page = self.getPage(i) contents = self.getContent(page) self.writeData(contents) except IOError as e: print('写入异常,原因:',e.message) finally: self.file.close() print('写入任务完成') baseURL = 'http://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()
注意:文件写入w+是写入字符串,可以直接+'\n'的方式自由转行。如果是wb+写入二进制文件,使用'\n'的方式无法转行。
文件打开是这样:
- [python3]爬虫实战二之爬取百度贴吧帖子
- Python爬虫实战之爬取百度贴吧帖子
- Python爬虫实战二之爬取百度贴吧帖子
- Python爬虫实战二之爬取百度贴吧帖子
- Python爬虫实战二之爬取百度贴吧帖子
- python爬虫实战二之爬取百度贴吧帖子
- Python3 简单爬虫爬取百度贴吧帖子
- python3 多页爬虫爬取百度贴吧帖子所有图片
- Python爬虫实战: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
- python学习笔记之爬虫之爬取百度贴吧某一帖子
- python3 [爬虫入门实战] 爬虫之使用selenium 爬取百度招聘内容并存mongodb
- Python爬虫实战二:下载百度贴吧帖子内的壁纸
- 【Python3.6爬虫学习记录】(四)爬取百度贴吧某帖子内容及图片
- Python爬虫实战(2):百度贴吧帖子
- Python爬虫实战(2):百度贴吧帖子
- python爬虫学习笔记2——百度贴吧帖子爬取
- 1.Python---01
- vue computed 与 watch 区别
- JSP中的<%= %>和${ }到底有什么区别?
- CSS Mastery摘要(5)--Content Layout
- 多态,抽象类,接口
- [python3]爬虫实战二之爬取百度贴吧帖子
- xUtils-2.6.14在android5.0以下系统https问题
- Python画地图数据可视化分析
- ofbiz总结——常用XML结构定义文档链接
- 实用shell脚本 安装集群使用
- 虚拟机下在终端调节屏幕分辨率(ubuntu)
- BP神经网络
- jQuery.extend 函数使用详解
- pcap数据包解析及数据特征提取