Python爬虫实战（1）——百度贴吧抓取帖子并保存内容和图片

最近在网上看了很多的爬虫脚本，写的参差不齐，但是其中有很多写的非常的优秀，代码质量很高，规范性也很好，很具有代表性，非常值得我们去学习！~

写好一个python爬虫需要有以下几个必备条件：

1、足够好的代码规范(等号前后加空格、逗号后加空格等等)，结构性封装性好，重用性高。这需要时间和很多的训练。

2、在抓取网页的html源码后，快速找到自己想要的目标，准确的写出它的正则表达式。

3、得到目标内容后，准确进行一系列保存抓取等后续操作。

之前的帖子中介绍过url,也就是网址，在我们抓取网页的过程中也要非常注意网页的各项细节，而且需要我们不断的积累经验，也需要细心的分析：

例：

http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1

这是我们要抓去的一个百度贴吧帖子的url，主要是后面的一小串看的不是很明白吧。下面带大家细细分析一下：

“http://“                             代表资源传输使用http协议。

"tieba.baidu.com”          这是百度贴吧的二级域名，指向贴吧的服务器。

"/p/3138733512"           这是服务器中的某一个资源，也就是我们目标帖子的定位符。

"？see_lz=1&pn=1"      前半部分指的是是否只看楼主，后半部分指的是pagenumber页数第一页。

这样我们就完整分析了一个网页，比如说很多人喜欢看斗鱼：https://www.douyu.com/directory/game/LOL，或者CSDN的编辑页面：http://write.blog.csdn.net/postedit?type=edit这个网页应该很好分析吧，以后抓取各种网页的时候都要学会怎样去分析一个网页的url，这样我们才能写出更加壮硕的小爬虫~~。

我们可以将一个网页拆分成基础部分和参数部分，比如：

http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1

我们将它拆为基础部分：http://tieiba.baidu.com/p/3138733512，参数部分为：？see_lz=1&pn=1

这样做的目的使我们可以在一定程度上控制想要访问的页面，通过修改参数就可以达到我们想要的目的。

下面我们来实现第一条：

在Python中我们也可以运用面向对象的方法，定义一个百度贴吧BDTB的类，其中包含初始化函数和各种不同的抓取函数，相当于用这个类给我们的小爬虫做一身好看的衣服。在写任何爬虫的Python程序中，都可以用这种用类包装的方法，相当于结构化了自己的程序，也使用了面向对象的方法。

我们就先来看看完整的程序：

#coding=utf-8import urllib2import reimport sysreload(sys)sys.setdefaultencoding("utf-8")# 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,lz):        self.Baseurl = baseurl #基础部分        self.Lz = '?see_lz='+str(lz)  #是否只看楼主参数部分        self.tool = Tool()    #标签处理类        self.file = None        self.floor = 1#######需要设置为全局变量,在写入文件时用来分割楼层。    def Getpage(self,pagenum):   #函数用来生成完整url，并抓取网页返回        self.Pagenum = '&pn=' + str(pagenum)        url = self.Baseurl+self.Lz+self.Pagenum  #生成完整url        request = urllib2.Request(url)        Mypage = urllib2.urlopen(request)   #使用request,获取网页内容        return Mypage.read().decode('utf-8')  #将编码方式解码为utf-8    def Getpagenum(self,page):  #函数用来抓取网页中包含的帖子最大页数        pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>', re.S)        pagenum = re.search(pattern, page)  #使用search()方法，抓取目标内容        if pagenum:            return pagenum.group(1).strip() #如果包含的话就返回页数(字符串形式)        else:            return None    def Gettitle(self,page):   #函数用来抓取网页中包含的帖子的标题，用来命名txt文件        pattern = re.compile('<h3 class="core_title_txt.*?>(.*?)</h3>',re.S)        result = re.search(pattern,page)        if result:            return result.group(1).strip()#注意search()和findall()的区别注意        else:            return None#多次出现的格式，但是我们只需要一个，并且不需要保存成list格式，可以使用search()返回一个字符串即可    def Getimg(self,page):   #函数用来抓取网页中包含的帖子中的目标图片链接        result_img = re.findall('<img class="BDE_Image" src="(.*?)" pic_ext=.*?>', page, re.S) #只要是符合正则表达式的所有图片都需要保存        result_imgs = []        for item in result_img:            content = "\n" + self.tool.replace(item) + "\n"            result_imgs.append(content.encode('utf-8'))   #换行处理更加清晰        return result_imgs    def Getcontent(self,page):    #函数用来抓取网页中包含的帖子中的目标楼层文字内容        items = re.findall('<div id="post_content_.*?>(.*?)</div>',page, re.S)        contents = []        for item in items :            content = "\n" + self.tool.replace(item) + "\n"   #这里使用到了便签的处理类            contents.append(content.encode('utf-8'))  #换行处理更加清晰        return contents    def setfile(self,title):    #函数用来打开创建一个txt文件用来存储        if title is not None:            self.file = open(title + ".txt", "w+") #没有这个文件的话会话就自己创建        else:            self.file = open(u"百度贴吧" + ".txt","w+")    def savefile(self,items):    #函数用来保存目标楼层文字内容        for item in items:            floorline = str(self.floor) + u'楼' + '——————————————————————————————'            self.file.write(floorline)            self.file.write(item)            self.floor += 1    def saveimg(self,result_img):  #函数用来保存目标楼层的目标图片链接        for img in result_img:            self.file.write(img)    def start(self):    #开始函数，用来再次包装所有的函数以达到将内容写进txt文件的目的        page1 = self.Getpage(1)        pagenum = self.Getpagenum(page1)        title = self.Gettitle(page1)        self.setfile(title)        if pagenum == 0:            print '该链接已失效或为无效链接'        else:            print '开始写入数据'            for i in range(1,int(pagenum)+1):                print '正在写入第'+str(i)+'页信息'                page=self.Getpage(i)                self.savefile(self.Getcontent(page))                self.saveimg(self.Getimg(page))            print '数据写入完毕'print u'请输入帖子链接'baseurl = str(raw_input())seeLZ = raw_input("是否只获取楼主发言，是输入1，否输入0\n")bdtb = BDTB(baseurl,seeLZ)  #类的实例化bdtb.start()

咱们先不管一开始的Tool类，看下面的BDTB类，用来包装了我们所有的重要的函数。每个函数都有详细的介绍。

其中有几点需要着重注意的地方：

1、findall()和search()之间的区别和用法。

findall()函数：返回的是所有满足其正则表达式的内容，形式为列表。

search()函数：返回的是第一个满足条件的匹配，形式为字符串或者是元组。

这里我们就可以看出为什么程序中有的需要使用findall,有的需要使用search()。例如：

我们要的是一个最大的页数，但是玩过贴吧都知道在页首和页尾都会显示最大页数，我们用正则表达式就会匹配到两个地方的内容，如果我们使用findall()函数，返回的是[5,5],但是我们只需要一个简单的5，就够了，这就需要search()的使用了。

学会在什么情况下分别使用这两种函数也是比较重要的

2、result.group(1).strip()

这样的表达是为了得到我们的目标结果。

group()，返回的是匹配到的一个或者多个子组，如果只有一个参数，那么就是字符串。多个参数返回的就是元组。这里的group(1)指的就是第一个参数。

strip()，默认删除空白符（包括'\n', '\r', '\t', ' ')。

3、抓去了网页的html源码以后还是要仔细的观察、分析， 找到目标后，写出合适的正则表达式也是一个重点所在！~

再说我们多出的Tool类，这个类是对很多哦帖子分析得来的结果，你可以尝试单独输出一下没有经过标签处理类的楼层文字内容，会有很多想不到的标签出现，比如说空格、换行符、超链接等等，Tool类中给出了很多种情况。

在此我们又要讨论一种情况的发生，就是目标内容的内部包含了我们不想要的东西，比如说：“我喜欢<HVGgvjhhgu>Python”,我们想去除其中的<>内容，就需要用到re模块的sub()函数处理我们的目标内容。这也算是比较精髓的一种内容啦。

对于这个程序的改写，也非常容易，只要替换掉一些正则表达式即可。或者不想处理百度贴吧的帖子，想抓去淘宝链接的美图，也可以通过稍加修改来得到。

本例部分结果如下：

更新一下抓取其中的主要图片的例子，上一次我们已经得到了其中的图片链接，下面就是保存抓取了：

#coding=utf-8import urllib2import urllibimport reimport osimport sysreload(sys)sys.setdefaultencoding("utf-8")# 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,lz):        self.Baseurl = baseurl #基础部分        self.Lz = '?see_lz='+str(lz)  #是否只看楼主参数部分        self.tool = Tool()    #标签处理类        self.file = None        self.floor = 1#######需要设置为全局变量,在写入文件时用来分割楼层。        self.name = 1    def Getpage(self,pagenum):   #函数用来生成完整url，并抓取网页返回        self.Pagenum = '&pn=' + str(pagenum)        url = self.Baseurl+self.Lz+self.Pagenum  #生成完整url        request = urllib2.Request(url)        Mypage = urllib2.urlopen(request)   #使用request,获取网页内容        return Mypage.read().decode('utf-8')  #将编码方式解码为utf-8    def Getpagenum(self,page):  #函数用来抓取网页中包含的帖子最大页数        pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>', re.S)        pagenum = re.search(pattern, page)  #使用search()方法，抓取目标内容        if pagenum:            return pagenum.group(1).strip() #如果包含的话就返回页数(字符串形式)        else:            return None    def Gettitle(self,page):   #函数用来抓取网页中包含的帖子的标题，用来命名txt文件        pattern = re.compile('<h3 class="core_title_txt.*?>(.*?)</h3>',re.S)        result = re.search(pattern,page)        if result:            return result.group(1).strip()#注意search()和findall()的区别注意        else:            return None#多次出现的格式，但是我们只需要一个，并且不需要保存成list格式，可以使用search()返回一个字符串即可    def Getimg(self,page):   #函数用来抓取网页中包含的帖子中的目标图片链接        result_img = re.findall('<img class="BDE_Image" src="(.*?)" pic_ext=.*?>', page, re.S) #只要是符合正则表达式的所有图片都需要保存        result_imgs = []        for item in result_img:            content = "\n" + self.tool.replace(item) + "\n"            result_imgs.append(content.encode('utf-8'))   #换行处理更加清晰        return result_imgs    def Getcontent(self,page):    #函数用来抓取网页中包含的帖子中的目标楼层文字内容        items = re.findall('<div id="post_content_.*?>(.*?)</div>',page, re.S)        contents = []        for item in items :            content = "\n" + self.tool.replace(item) + "\n"            contents.append(content.encode('utf-8'))  #换行处理更加清晰        return contents    def setfile(self,title):    #函数用来打开创建一个txt文件用来存储        if title is not None:            self.file = open(title + ".txt", "w+") #没有这个文件的话会话就自己创建        else:            self.file = open(u"百度贴吧" + ".txt","w+")    def savefile(self,items):    #函数用来保存目标楼层文字内容        for item in items:            floorline = str(self.floor) + u'楼' + '——————————————————————————————'            self.file.write(floorline)            self.file.write(item)            self.floor += 1    def saveimg(self,result_img):  #函数用来保存目标楼层的目标图片链接        for img in result_img:            self.file.write(img)    def saveImg(self, imageURL, fileName):        u = urllib.urlopen(imageURL)        data = u.read()        f = open(fileName, 'wb')        f.write(data)        f.close()    def saveImgs(self, images): # 保存多张写真图片        print u"发现共有", len(images), u"张照片"        for imageURL in images:            splitPath = imageURL.split('.')            fTail = splitPath.pop()            if len(fTail) > 3:                fTail = "jpg"            fileName = str(self.name) + "." + fTail            self.saveImg(imageURL, fileName)            self.name += 1    def mkdir(self, path):# 创建新目录        isExists = os.path.exists(path)# 判断结果        if not isExists:            # 如果不存在则创建目录            print u"偷偷新建了名字叫做", path, u'的文件夹'            # 创建目录操作函数            os.makedirs(path)            return True        else:            # 如果目录存在则不创建，并提示目录已存在            print u"名为", path, '的文件夹已经创建成功'            return False    def start(self):    #开始函数，用来再次包装所有的函数以达到将内容写进txt文件的目的        page1 = self.Getpage(1)        pagenum = self.Getpagenum(page1)        title = self.Gettitle(page1)        self.setfile(title)        if pagenum == 0:            print '该链接已失效或为无效链接'        else:            print '开始写入数据'            for i in range(1,int(pagenum)+1):                print '正在写入第'+str(i)+'页信息'                page = self.Getpage(i)                self.mkdir(str(i))                self.savefile(self.Getcontent(page))                self.saveImgs(self.Getimg(page))            print '数据写入完毕'print u'请输入帖子链接'baseurl = str(raw_input())seeLZ = raw_input("是否只获取楼主发言，是输入1，否输入0\n")bdtb = BDTB(baseurl,seeLZ)  #类的实例化bdtb.start()