更新:百度貼吧現(xiàn)在已經(jīng)改成 utf-8 編碼了吧,需要把代碼中的 decode('gbk')改成 decode('utf-8')。
百度貼吧的爬蟲(chóng)制作和糗百的爬蟲(chóng)制作原理基本相同,都是通過(guò)查看源碼扣出關(guān)鍵數(shù)據(jù),然后將其存儲(chǔ)到本地 txt 文件。
http://download.csdn.net/detail/wxg694175346/6925583
用 Python 寫(xiě)的百度貼吧的網(wǎng)絡(luò)爬蟲(chóng)。
新建一個(gè) BugBaidu.py 文件,然后將代碼復(fù)制到里面后,雙擊運(yùn)行。
將貼吧中樓主發(fā)布的內(nèi)容打包 txt 存儲(chǔ)到本地。
首先,先瀏覽一下某一條貼吧,點(diǎn)擊只看樓主并點(diǎn)擊第二頁(yè)之后 url 發(fā)生了一點(diǎn)變化,變成了:
http://tieba.baidu.com/p/2296712428?see\_lz=1&pn=1
可以看出來(lái),see_lz=1 是只看樓主,pn=1 是對(duì)應(yīng)的頁(yè)碼,記住這一點(diǎn)為以后的編寫(xiě)做準(zhǔn)備。
這就是我們需要利用的 url。
接下來(lái)就是查看頁(yè)面源碼。
首先把題目摳出來(lái)存儲(chǔ)文件的時(shí)候會(huì)用到。
可以看到百度使用 gbk 編碼,標(biāo)題使用 h1 標(biāo)記:
<h1 class="core_title_txt" title="【原創(chuàng)】時(shí)尚首席(關(guān)于時(shí)尚,名利,事業(yè),愛(ài)情,勵(lì)志)">【原創(chuàng)】時(shí)尚首席(關(guān)于時(shí)尚,名利,事業(yè),愛(ài)情,勵(lì)志)</h1>
同樣,正文部分用 div 和 class 綜合標(biāo)記,接下來(lái)要做的只是用正則表達(dá)式來(lái)匹配即可。
運(yùn)行截圖:
http://wiki.jikexueyuan.com/project/python-crawler/images/11.png" alt="" />
生成的txt文件:
http://wiki.jikexueyuan.com/project/python-crawler/images/12.png" alt="" />
# -*- coding: utf-8 -*-
#---------------------------------------
# 程序:百度貼吧爬蟲(chóng)
# 版本:0.5
# 作者:why
# 日期:2013-05-16
# 語(yǔ)言:Python 2.7
# 操作:輸入網(wǎng)址后自動(dòng)只看樓主并保存到本地文件
# 功能:將樓主發(fā)布的內(nèi)容打包txt存儲(chǔ)到本地。
#---------------------------------------
import string
import urllib2
import re
#----------- 處理頁(yè)面上的各種標(biāo)簽 -----------
class HTML_Tool:
# 用非 貪婪模式 匹配 \t 或者 \n 或者 空格 或者 超鏈接 或者 圖片
BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")
# 用非 貪婪模式 匹配 任意<>標(biāo)簽
EndCharToNoneRex = re.compile("<.*?>")
# 用非 貪婪模式 匹配 任意<p>標(biāo)簽
BgnPartRex = re.compile("<p.*?>")
CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")
CharToNextTabRex = re.compile("<td>")
# 將一些html的符號(hào)實(shí)體轉(zhuǎn)變?yōu)樵挤?hào)
replaceTab = [("<","<"),(">",">"),("&","&"),("&","\""),(" "," ")]
def Replace_Char(self,x):
x = self.BgnCharToNoneRex.sub("",x)
x = self.BgnPartRex.sub("\n ",x)
x = self.CharToNewLineRex.sub("\n",x)
x = self.CharToNextTabRex.sub("\t",x)
x = self.EndCharToNoneRex.sub("",x)
for t in self.replaceTab:
x = x.replace(t[0],t[1])
return x
class Baidu_Spider:
# 申明相關(guān)的屬性
def __init__(self,url):
self.myUrl = url + '?see_lz=1'
self.datas = []
self.myTool = HTML_Tool()
print u'已經(jīng)啟動(dòng)百度貼吧爬蟲(chóng),咔嚓咔嚓'
# 初始化加載頁(yè)面并將其轉(zhuǎn)碼儲(chǔ)存
def baidu_tieba(self):
# 讀取頁(yè)面的原始信息并將其從gbk轉(zhuǎn)碼
myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")
# 計(jì)算樓主發(fā)布內(nèi)容一共有多少頁(yè)
endPage = self.page_counter(myPage)
# 獲取該帖的標(biāo)題
title = self.find_title(myPage)
print u'文章名稱(chēng):' + title
# 獲取最終的數(shù)據(jù)
self.save_data(self.myUrl,title,endPage)
#用來(lái)計(jì)算一共有多少頁(yè)
def page_counter(self,myPage):
# 匹配 "共有<span class="red">12</span>頁(yè)" 來(lái)獲取一共有多少頁(yè)
myMatch = re.search(r'class="red">(\d+?)</span>', myPage, re.S)
if myMatch:
endPage = int(myMatch.group(1))
print u'爬蟲(chóng)報(bào)告:發(fā)現(xiàn)樓主共有%d頁(yè)的原創(chuàng)內(nèi)容' % endPage
else:
endPage = 0
print u'爬蟲(chóng)報(bào)告:無(wú)法計(jì)算樓主發(fā)布內(nèi)容有多少頁(yè)!'
return endPage
# 用來(lái)尋找該帖的標(biāo)題
def find_title(self,myPage):
# 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出標(biāo)題
myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)
title = u'暫無(wú)標(biāo)題'
if myMatch:
title = myMatch.group(1)
else:
print u'爬蟲(chóng)報(bào)告:無(wú)法加載文章標(biāo)題!'
# 文件名不能包含以下字符: \ / : * ? " < > |
title = title.replace('\\','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','')
return title
# 用來(lái)存儲(chǔ)樓主發(fā)布的內(nèi)容
def save_data(self,url,title,endPage):
# 加載頁(yè)面數(shù)據(jù)到數(shù)組中
self.get_data(url,endPage)
# 打開(kāi)本地文件
f = open(title+'.txt','w+')
f.writelines(self.datas)
f.close()
print u'爬蟲(chóng)報(bào)告:文件已下載到本地并打包成txt文件'
print u'請(qǐng)按任意鍵退出...'
raw_input();
# 獲取頁(yè)面源碼并將其存儲(chǔ)到數(shù)組中
def get_data(self,url,endPage):
url = url + '&pn='
for i in range(1,endPage+1):
print u'爬蟲(chóng)報(bào)告:爬蟲(chóng)%d號(hào)正在加載中...' % i
myPage = urllib2.urlopen(url + str(i)).read()
# 將myPage中的html代碼處理并存儲(chǔ)到datas里面
self.deal_data(myPage.decode('gbk'))
# 將內(nèi)容從頁(yè)面代碼中摳出來(lái)
def deal_data(self,myPage):
myItems = re.findall('id="post_content.*?>(.*?)</div>',myPage,re.S)
for item in myItems:
data = self.myTool.Replace_Char(item.replace("\n","").encode('gbk'))
self.datas.append(data+'\n')
#-------- 程序入口處 ------------------
print u"""#---------------------------------------
# 程序:百度貼吧爬蟲(chóng)
# 版本:0.5
# 作者:why
# 日期:2013-05-16
# 語(yǔ)言:Python 2.7
# 操作:輸入網(wǎng)址后自動(dòng)只看樓主并保存到本地文件
# 功能:將樓主發(fā)布的內(nèi)容打包txt存儲(chǔ)到本地。
#---------------------------------------
"""
# 以某小說(shuō)貼吧為例子
# bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1'
print u'請(qǐng)輸入貼吧的地址最后的數(shù)字串:'
bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))
#調(diào)用
mySpider = Baidu_Spider(bdurl)
mySpider.baidu_tieba()