爬取百度贴吧帖子 源码案例
来源:互联网 发布:python apply 编辑:程序博客网 时间:2024/05/17 15:01
以下为爬取百度贴吧帖子案例。运行后会把帖子内的所有发言下载到一个TXT文件里面
详细的 可以去看 http://cuiqingcai.com/993.html
#coding=utf-8import 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()#百度贴吧爬虫类class BDTB: #初始化,传入基地址,是否只看楼主的参数 def __init__(self,baseUrl,seeLZ,floorTag): #base链接地址 self.baseURL = baseUrl #是否只看楼主 self.seeLZ = '?see_lz='+str(seeLZ) #HTML标签剔除工具类对象 self.tool = Tool() #全局file变量,文件写入操作对象 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 #传入页码,获取该页帖子的代码 def getPage(self,pageNum): try: #构建URL url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum) request = urllib2.Request(url) response = urllib2.urlopen(request) #返回UTF-8格式编码内容 return response.read().decode('utf-8') #无法连接,报错 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 #获取帖子标题 def getTitle(self,page): #得到标题的正则表达式 pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S) result = re.search(pattern,page) if result: #如果存在,则返回标题 return result.group(1).strip() else: return None #获取帖子一共有多少页 def getPageNum(self,page): #获取帖子页数的正则表达式 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): #匹配所有楼层的内容 pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S) items = re.findall(pattern,page) contents = [] for item in items: #将文本进行去除标签处理,同时在前后加入换行符 content = "\n"+self.tool.replace(item)+"\n" 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): indexPage = self.getPage(1) pageNum = self.getPageNum(indexPage) title = self.getTitle(indexPage) self.setFileTitle(title) if pageNum == None: print u"URL已失效,请重试" return try: print u"该帖子共有" + str(pageNum) + u"页" for i in range(1,int(pageNum)+1): print u"正在写入第" + str(i) + u"页数据" page = self.getPage(i) contents = self.getContent(page) self.writeData(contents) #出现写入异常 except IOError,e: print u"写入异常,原因" + 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("是否只获取楼主发言,是输入1,否输入0\n".decode('utf-8').encode('gbk'))floorTag = raw_input("是否写入楼层信息,是输入1,否输入0\n".decode('utf-8').encode('gbk'))bdtb = BDTB(baseURL,seeLZ,floorTag)bdtb.start()
0 0
- 爬取百度贴吧帖子 源码案例
- 爬取百度贴吧帖子
- Python爬取百度贴吧帖子
- python 爬取百度贴吧 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
- 爬取百度贴吧用户的帖子
- python爬虫(13)爬取百度贴吧帖子
- python爬取百度贴吧的帖子
- Python 爬百度贴吧里面的图片 分页分帖子爬取
- 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
- [python爬虫]利用urllib2爬取百度贴吧帖子相关内容
- 简单的python爬虫程序(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
- JAVA单一职责原则
- Android样式(style)和主题(theme)
- Java 利用Apache POI 读写Excel文件超出行列限制
- 【C++竞赛 C】yyy的数学公式
- 基础练习 01字串
- 爬取百度贴吧帖子 源码案例
- unix网络基础-TCP连接的建立和终止(记录)
- git的基本使用
- [LeetCode]--71. Simplify Path
- static关键字的作用
- 【Jenkins】构建错误处理方法整理
- 矩阵乘法Strassen算法的伪代码
- 接口的多态
- A. Bear and Prime 100