Python爬虫学习2--百度贴吧

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

1. 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。
2. 编码问题还是存在，对于某些帖子会报错。