爬百度贴吧任一帖子

使用了urllib2和正则表达式

#coding=utf-8
import urllib
import urllib2
import re

class Tool:
    removeImg=re.compile('<img.*?>| {7}|') #删除img标签,7位长空格
    removeAddr=re.compile('<a.*?>|</a>') #删除超链接标签
    replaceLine=re.compile('<tr>|<div>|</div>|</p>') #把换行的标签换为\n
    replaceTD=re.compile('<td>') #将表格制表<td>替换为/t
    replacePara=re.compile('<p.*?>') #把段落开头换为\n加空两格
    replaceBR=re.compile('<br><br>|<br>') #将换行符或双换行符替换为\n
    removeExtraTag=re.compile('<.*?>') #将其余标签删除
    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)
        return x.strip()


class BDTB:

    def __init__(self,baseURL,seeLZ,floorTag):
        self.baseURL=baseURL
        self.seeLZ="?see_lz="+str(seeLZ)
        self.tool=Tool()
        self.file=None
        self.floor=1
        self.defaultTitle=u"百度贴吧"
        self.floorTag=floorTag
        self.user_agent="Mozilla/4.0(compatible;MSIE 5.5;Windows NT)"
        self.headers={'User-Agent':self.user_agent}

    def getPage(self,pageNum):
        try:
            url=self.baseURL+self.seeLZ+'&pn='+str(pageNum)
            request=urllib2.Request(url,headers=self.headers)
            response=urllib2.urlopen(request)
            return response.read().decode('utf-8')
        except urllib2.URLError as e:
            if hasattr(e,'reason'):
                print u"连接百度贴吧失败,失败原因",e.reason
                return None

    def getTitle(self,page):
        pattern=re.compile('<h3 class="core_title_txt.*?>(.*?)</h3>',re.S)
        result=re.search(pattern,page)
        if result:
            return result.group(1).strip()
        else:
            return None

    def getPageNum(self,page):
        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

    def getContent(self,page):
        pattern=re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
        items=re.findall(pattern,page)
        contents=[]
        for item in items:
            content="\n"+self.tool.replace(item)+"\n"
            contents.append(content.encode('utf-8'))
        return contents

    def setFileTitle(self,title):
        if title is not None:
            self.file=open(title+".txt","w+")
        else:
            self.file=open(self.defaultTitle+".txt","w+")

    def writeData(self,contents):
        for item in contents:
            if self.floorTag=='1':
                floorLine="\n"+str(self.floor)+"------------------------------------------------------------------\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"
                page=self.getPage(i)
                contents=self.getContent(page)
                self.writeData(contents)
        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='https://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()

学习了崔庆才 Python爬虫实战二之爬取百度贴吧帖子

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值