0°

【Python爬虫实战】爬取百度贴吧帖子

内容预览:
  • 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...~
  • 综上,我们初步构建出基础代码如下: __author__ = &;CQC&; # -*- codin...~
  • 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 __author__ =...~

始发于微信公众号: 程序员大咖

 点击上方蓝色字体关注「程序员大咖」


大这次我们来尝试一下爬取百度贴吧的帖子。


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。

http://  代表资源传输使用http协议

tieba.baidu.com 是百度的二级域名,指向百度贴吧的服务器。

/p/3138733512 是服务器某个资源,即这个帖子的地址定位符

see_lz和pn是该URL的两个参数,分别代表了只看楼主和帖子页码,等于1表示该条件为真

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:

__author__ = ‘CQC’

# -*- coding:utf-8 -*-

import urllib

import urllib2

import re


#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):

self.baseURL = baseUrl

self.seeLZ = ‘?see_lz=’+str(seeLZ)


#传入页码,获取该页帖子的代码

def getPage(self,pageNum):

try:

url = self.baseURL+ self.seeLZ + ‘&pn=’ + str(pageNum)

request = urllib2.Request(url)

response = urllib2.urlopen(request)

print response.read()

return response

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


baseURL = ‘http://tieba.baidu.com/p/3138733512’

bdtb = BDTB(baseURL,1)

bdtb.getPage(1)

运行代码,我们可以看到屏幕上打印出了这个帖子第一页楼主发言的所有内容,形式为HTML代码。




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

<h1 class="core_title_txt  " 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</h1>

所以我们想提取<h1>标签中的内容,同时还要指定这个class确定唯一,因为h1标签实在太多啦。


正则表达式如下

<h1 class="core_title_txt.*?>(.*?)</h1>

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(‘<h1 class=”core_title_txt.*?>(.*?)</h1>’,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

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

#获取帖子一共有多少页

def getPageNum(self):

page = self.getPage(1)

pattern = re.compile(‘<li class=”l_reply_num.*?</span>.*?<span.*?>(.*?)</span>’,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

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

<div id="post_content_.*?>(.*?)</div>

相应地,获取页面所有楼层数据的方法可以写成如下方法

#获取每一层楼的内容,传入页面内容

def getContent(self,page):

pattern = re.compile(‘<div id=”post_content_.*?>(.*?)</div>’,re.S)

items = re.findall(pattern,page)

for item in items:

print item

好,我们运行一下结果看一下


【Python爬虫实战】爬取百度贴吧帖子


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

import 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()


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

__author__ = ‘CQC’

# -*- coding:utf-8 -*-

import urllib

import urllib2

import 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):

self.baseURL = baseUrl

self.seeLZ = ‘?see_lz=’+str(seeLZ)

self.tool = Tool()

#传入页码,获取该页帖子的代码

def getPage(self,pageNum):

try:

url = self.baseURL+ self.seeLZ + ‘&pn=’ + str(pageNum)

request = urllib2.Request(url)

response = urllib2.urlopen(request)

return response.read().decode(‘utf-8’)

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 = self.getPage(1)

pattern = re.compile(‘<h1 class=”core_title_txt.*?>(.*?)</h1>’,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


#获取帖子一共有多少页

def getPageNum(self):

page = self.getPage(1)

pattern = re.compile(‘<li class=”l_reply_num.*?</span>.*?<span.*?>(.*?)</span>’,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


#获取每一层楼的内容,传入页面内容

def getContent(self,page):

pattern = re.compile(‘<div id=”post_content_.*?>(.*?)</div>’,re.S)

items = re.findall(pattern,page)

#for item in items:

#  print item

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!


【Python爬虫实战】爬取百度贴吧帖子


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

#获取每一层楼的内容,传入页面内容

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

运行一下看看效果


【Python爬虫实战】爬取百度贴吧帖子


嘿嘿,效果还不错吧,感觉真酸爽!接下来我们完善一下,然后写入文件


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

__author__ = ‘CQC’

# -*- coding:utf-8 -*-

import urllib

import urllib2

import 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 “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)

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/’))

seeLZ = raw_input(“是否只获取楼主发言,是输入1,否输入0n”)

floorTag = raw_input(“是否写入楼层信息,是输入1,否输入0n”)

bdtb = BDTB(baseURL,seeLZ,floorTag)

bdtb.start()

现在程序演示如下


【Python爬虫实战】爬取百度贴吧帖子


完成之后,可以查看一下当前目录下多了一个以该帖子命名的txt文件,内容便是帖子的所有数据。


抓贴吧,就是这么简单和任性!


来自:静觅丨崔庆才的个人博客

链接:http://cuiqingcai.com/993.html

声明:本文仅限技术交流讨论



以上就是:【Python爬虫实战】爬取百度贴吧帖子 的全部内容。

本站部分内容来源于互联网和用户投稿,如有侵权请联系我们删除,谢谢。
Email:[email protected]


0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论