Python爬虫学习2--百度贴吧
来源:互联网 发布:二手房装修流程 知乎 编辑:程序博客网 时间:2024/05/06 12:31
CQC同学的源代码
这次代码的关键是:
1. 大量的替换正文中的特殊字符
2.设置url,达成只看楼主的目标
3.保存内容入txt
下面是可用的代码
# -*- coding: cp936 -*-__author__ = 'ETC'# -*- coding:utf-8 -*-import urllibimport urllib2import reimport codecs#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('<h3 class="core_title_txt.*?>(.*?)</h3>',re.S) result = re.search(pattern,page) if result: title = result.group(1).strip() print title #如果存在,则返回标题 return title 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('gbk')) 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 "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) #print contents self.writeData(contents) #出现写入异常 except IOError,e: print "写入异常,原因" + e.message finally: print "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/'))#baseURL = 'http://tieba.baidu.com/p/4898053991'baseURL = 'http://tieba.baidu.com/p/4881191538'seeLZ = raw_input("是否只获取楼主发言,是输入1,否输入0\n")floorTag = raw_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()
些许修改
主要修改的还是正则表达式匹配部分,在getTitle()里以前的代码已经返回不了title了
保存的txt文件出现乱码的情况用:
contents.append(content.encode('gbk'))
用‘gbk’编码就能狗解决
调试过程
- 如果使用shell调试,执行完之后要把shell关闭,再去查看txt文件,否则保存的内容是不完整的。
- 编码问题还是存在,对于某些帖子会报错。
0 0
- Python爬虫学习2--百度贴吧
- Python爬虫学习(1):百度贴吧
- 学习记录:python百度贴吧爬虫
- python爬虫实战2-百度贴吧
- python百度贴吧爬虫
- python 百度贴吧爬虫
- python- 百度贴吧爬虫
- [python]百度贴吧爬虫
- Python爬虫入门学习例子之百度贴吧
- python爬虫:下载百度贴吧图片学习笔记
- python爬虫学习笔记2——百度贴吧帖子爬取
- python网络爬虫学习(二)一个爬取百度贴吧的爬虫程序
- 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爬虫入门:2--爬取百度贴吧内容
- Python 爬虫获取百度贴吧图片
- python爬虫百度贴吧标题数据
- python实现百度贴吧爬虫
- C++中变量的作用域和生命周期
- 使用NMap扫描技术解决禁ping问题
- mongodb 下基于group的带权限的统计分析报表实现
- 博客回归
- leetcode-70. Climbing Stairs
- Python爬虫学习2--百度贴吧
- 第十五周项目九统计字符串类型
- Linux初识
- 常用排序算法的Python实现
- 今日总结
- Erlang 打开和关闭SMP选项之差异观察
- Unity3D内存泄漏Render的sharedMaterial和material
- EventBus 3.0 简单粗暴实例
- Cordova 打包 Android release app 过程详解