本文实例讲述了基于python实现的百度贴吧网络爬虫。分享给大家供大家参考。具体如下：
完整实例代码点击此处本站下载。
项目内容：
用Python写的百度贴吧的网络爬虫。
使用方法：
立即学习“Python免费学习笔记（深入）”；
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：
复制代码 代码如下:
【原创】时尚首席（关于时尚，名利，事业，爱情，励志）
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：
# -*- coding: utf-8 -*- #--------------------------------------- # 程序：百度贴吧爬虫 # 版本：0.5 # 作者：why # 日期：2013-05-16 # 语言：Python 2.7 # 操作：输入网址后自动只看楼主并保存到本地文件 # 功能：将楼主发布的内容打包txt存储到本地。 #--------------------------------------- import string import urllib2 import re #----------- 处理页面上的各种标签 ----------- class HTML_Tool: # 用非 贪婪模式 匹配 或者 或者 空格 或者 超链接 或者 图片 BgnCharToNoneRex = re.compile("(|| ||@@##@@)") # 用非 贪婪模式 匹配 任意标签 EndCharToNoneRex = re.compile("") # 用非 贪婪模式 匹配 任意标签 BgnPartRex = re.compile("
") CharToNewLineRex = re.compile("(
|||
|)") CharToNextTabRex = re.compile("") # 将一些html的符号实体转变为原始符号 replaceTab = [("",">"),("&","&"),("&","""),(" "," ")] def Replace_Char(self,x): x = self.BgnCharToNoneRex.sub("",x) x = self.BgnPartRex.sub(" ",x) x = self.CharToNewLineRex.sub("",x) x = self.CharToNextTabRex.sub("",x) x = self.EndCharToNoneRex.sub("",x) for t in self.replaceTab: x = x.replace(t[0],t[1]) return x class Baidu_Spider: # 申明相关的属性 def __init__(self,url): self.myUrl = url + '?see_lz=1' self.datas = [] self.myTool = HTML_Tool() print u'已经启动百度贴吧爬虫，咔嚓咔嚓' # 初始化加载页面并将其转码储存 def baidu_tieba(self): # 读取页面的原始信息并将其从gbk转码 myPage = urllib2.urlopen(self.myUrl).read().decode("gbk") # 计算楼主发布内容一共有多少页 endPage = self.page_counter(myPage) # 获取该帖的标题 title = self.find_title(myPage) print u'文章名称：' + title # 获取最终的数据 self.save_data(self.myUrl,title,endPage) #用来计算一共有多少页 def page_counter(self,myPage): # 匹配 "共有12页" 来获取一共有多少页 myMatch = re.search(r'class="red">(d+?)', myPage, re.S) if myMatch: endPage = int(myMatch.group(1)) print u'爬虫报告：发现楼主共有%d页的原创内容' % endPage else: endPage = 0 print u'爬虫报告：无法计算楼主发布内容有多少页！' return endPage # 用来寻找该帖的标题 def find_title(self,myPage): # 匹配 xxxxxxxxxx
找出标题 myMatch = re.search(r'(.*?)', myPage, re.S) title = u'暂无标题' if myMatch: title = myMatch.group(1) else: print u'爬虫报告：无法加载文章标题！' # 文件名不能包含以下字符： / ： * ? " | title = title.replace('','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('(.*?)',myPage,re.S) for item in myItems: data = self.myTool.Replace_Char(item.replace("","").encode('gbk')) self.datas.append(data+'') #-------- 程序入口处 ------------------ print u"""#--------------------------------------- # 程序：百度贴吧爬虫 # 版本：0.5 # 作者：why # 日期：2013-05-16 # 语言：Python 2.7 # 操作：输入网址后自动只看楼主并保存到本地文件 # 功能：将楼主发布的内容打包txt存储到本地。 #--------------------------------------- """ # 以某小说贴吧为例子 # bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1' print u'请输入贴吧的地址最后的数字串：' bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/')) #调用 mySpider = Baidu_Spider(bdurl) mySpider.baidu_tieba()
希望本文所述对大家的Python程序设计有所帮助。
![基于Python实现的百度贴吧网络爬虫实例]()
![基于Python实现的百度贴吧网络爬虫实例]()
登录后复制
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至253000106@qq.com举报，一经查实，本站将立刻删除。
发布者：PHP中文网，转转请注明出处：https://www.chuangxiangniao.com/p/2295223.html
