[Python]网络爬虫（九）：百度贴吧的网络爬虫（v0.4）源码及解析(转)

百度贴吧的爬虫制作和糗百的爬虫制作原理基本相同，都是通过查看源码扣出关键数据，然后将其存储到本地txt文件。

源码下载：

http://download.csdn.net/detail/wxg694175346/6925583

项目内容：

用Python写的百度贴吧的网络爬虫。

使用方法：

新建一个BugBaidu.py文件，然后将代码复制到里面后，双击运行。

程序功能：

将贴吧中楼主发布的内容打包txt存储到本地。

原理解释：

首先，先浏览一下某一条贴吧，点击只看楼主并点击第二页之后url发生了一点变化，变成了：

http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1

可以看出来，see_lz=1是只看楼主，pn=1是对应的页码，记住这一点为以后的编写做准备。

这就是我们需要利用的url。

接下来就是查看页面源码。

首先把题目抠出来存储文件的时候会用到。

可以看到百度使用gbk编码，标题使用h1标记：

[html] view plain copy

<h1 class="core_title_txt" title="【原创】时尚首席（关于时尚，名利，事业，爱情，励志）">【原创】时尚首席（关于时尚，名利，事业，爱情，励志）</h1>

同样，正文部分用div和class综合标记，接下来要做的只是用正则表达式来匹配即可。

运行截图：

生成的txt文件：

  1 # -*- coding: utf-8 -*-
  2 #---------------------------------------
  3 #   程序：百度贴吧爬虫
  4 #   版本：0.5
  5 #   作者：why
  6 #   日期：2013-05-16
  7 #   语言：Python 2.7
  8 #   操作：输入网址后自动只看楼主并保存到本地文件
  9 #   功能：将楼主发布的内容打包txt存储到本地。
 10 #---------------------------------------
 11  
 12 import string
 13 import urllib2
 14 import re
 15 
 16 #----------- 处理页面上的各种标签 -----------
 17 class HTML_Tool:
 18     # 用非 贪婪模式 匹配 	 或者 
 或者 空格 或者 超链接 或者 图片
 19     BgnCharToNoneRex = re.compile("(	|
| |<a.*?>|<img.*?>)")
 20     
 21     # 用非 贪婪模式 匹配 任意<>标签
 22     EndCharToNoneRex = re.compile("<.*?>")
 23 
 24     # 用非 贪婪模式 匹配 任意<p>标签
 25     BgnPartRex = re.compile("<p.*?>")
 26     CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")
 27     CharToNextTabRex = re.compile("<td>")
 28 
 29     # 将一些html的符号实体转变为原始符号
 30     replaceTab = [("<","<"),(">",">"),("&","&"),("&","""),(" "," ")]
 31     
 32     def Replace_Char(self,x):
 33         x = self.BgnCharToNoneRex.sub("",x)
 34         x = self.BgnPartRex.sub("
    ",x)
 35         x = self.CharToNewLineRex.sub("
",x)
 36         x = self.CharToNextTabRex.sub("	",x)
 37         x = self.EndCharToNoneRex.sub("",x)
 38 
 39         for t in self.replaceTab:  
 40             x = x.replace(t[0],t[1])  
 41         return x  
 42     
 43 class Baidu_Spider:
 44     # 申明相关的属性
 45     def __init__(self,url):  
 46         self.myUrl = url + '?see_lz=1'
 47         self.datas = []
 48         self.myTool = HTML_Tool()
 49         print u'已经启动百度贴吧爬虫，咔嚓咔嚓'
 50   
 51     # 初始化加载页面并将其转码储存
 52     def baidu_tieba(self):
 53         # 读取页面的原始信息并将其从gbk转码
 54         myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")
 55         # 计算楼主发布内容一共有多少页
 56         endPage = self.page_counter(myPage)
 57         # 获取该帖的标题
 58         title = self.find_title(myPage)
 59         print u'文章名称：' + title
 60         # 获取最终的数据
 61         self.save_data(self.myUrl,title,endPage)
 62 
 63     #用来计算一共有多少页
 64     def page_counter(self,myPage):
 65         # 匹配 "共有<span class="red">12</span>页" 来获取一共有多少页
 66         myMatch = re.search(r'class="red">(d+?)</span>', myPage, re.S)
 67         if myMatch:  
 68             endPage = int(myMatch.group(1))
 69             print u'爬虫报告：发现楼主共有%d页的原创内容' % endPage
 70         else:
 71             endPage = 0
 72             print u'爬虫报告：无法计算楼主发布内容有多少页！'
 73         return endPage
 74 
 75     # 用来寻找该帖的标题
 76     def find_title(self,myPage):
 77         # 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出标题
 78         myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)
 79         title = u'暂无标题'
 80         if myMatch:
 81             title  = myMatch.group(1)
 82         else:
 83             print u'爬虫报告：无法加载文章标题！'
 84         # 文件名不能包含以下字符：  / ： * ? " < > |
 85         title = title.replace('\','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','')
 86         return title
 87 
 88 
 89     # 用来存储楼主发布的内容
 90     def save_data(self,url,title,endPage):
 91         # 加载页面数据到数组中
 92         self.get_data(url,endPage)
 93         # 打开本地文件
 94         f = open(title+'.txt','w+')
 95         f.writelines(self.datas)
 96         f.close()
 97         print u'爬虫报告：文件已下载到本地并打包成txt文件'
 98         print u'请按任意键退出...'
 99         raw_input();
100 
101     # 获取页面源码并将其存储到数组中
102     def get_data(self,url,endPage):
103         url = url + '&pn='
104         for i in range(1,endPage+1):
105             print u'爬虫报告：爬虫%d号正在加载中...' % i
106             myPage = urllib2.urlopen(url + str(i)).read()
107             # 将myPage中的html代码处理并存储到datas里面
108             self.deal_data(myPage.decode('gbk'))
109             
110 
111     # 将内容从页面代码中抠出来
112     def deal_data(self,myPage):
113         myItems = re.findall('id="post_content.*?>(.*?)</div>',myPage,re.S)
114         for item in myItems:
115             data = self.myTool.Replace_Char(item.replace("
","").encode('gbk'))
116             self.datas.append(data+'
')
117 
118 
119 
120 #-------- 程序入口处 ------------------
121 print u"""#---------------------------------------
122 #   程序：百度贴吧爬虫
123 #   版本：0.5
124 #   作者：why
125 #   日期：2013-05-16
126 #   语言：Python 2.7
127 #   操作：输入网址后自动只看楼主并保存到本地文件
128 #   功能：将楼主发布的内容打包txt存储到本地。
129 #---------------------------------------
130 """
131 
132 # 以某小说贴吧为例子
133 # bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1'
134 
135 print u'请输入贴吧的地址最后的数字串：'
136 bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/')) 
137 
138 #调用
139 mySpider = Baidu_Spider(bdurl)
140 mySpider.baidu_tieba()