python爬虫百度贴吧标题数据

-#python爬虫百度贴吧标题

一 、Requests安装

使用pip命令进行安装

• windows :pip install requests
• mac os x/linux:sudo pip install requests

强调说明下第二种：默认情况下，mac下没有安装pip，所以需要我们自己进行安装，在终端下使用命令：sudo easy_install pip
很多人同样使用sudo easy_install requests进行安装，但是我不推荐，因为使用easy_install无法进行卸载。
OK，接下来继续进行。在这里我使用的IDE是PyCharmCE，在mac下自带的Python版本过低，无使用我们引入的requests，所以需要进行下载。进入Python官网https://www.python.org/downloads/进行对应版本的下载。

那么现在进行requests的安装，在终端下输入sudo pip install requests，提示成功安装后，在/Library/Python/2.7/site-packages发现Requests文件夹，但是此时你使用 import requests语句会提示“ImportError: No module named requests”错误，所以此时你需要更改Project Interpreter 选择 File -> Settings ->Project-> Single-thread-crawler ->Project Interpreter
如图1所示：

那么以上步骤完成后，python爬虫所需要的requests构建完成。

二、使用Requests获取网页的源代码

两种方式：

• 直接获取源代码
• 更改Http头获取源代码（反爬虫机制）

首先我们需要先获取源代码，代码如下

#-*-coding:utf-8-*-
import requests

#下面三行是编码转换的功能，大家现在不用关心。
import sys
reload(sys)
sys.setdefaultencoding("utf-8")

html = requests.get('http://tieba.baidu.com/f?kw=大连理工大学城市学院&ie=utf-8&pn=0')
print html.text

（此网页不需要更改头就可以获取，并不是所有的网站用这几行就可以提取的，有的网站需要我们更改头，把程序伪装成浏览器进行访问，下一篇关于python爬虫的文章将会讲解更改头的获取方法）

Python的默认编码文件是用的ASCII码，你将文件存成了UTF-8也没用，解决办法很简单

只要在文件开头加入 # -- coding: UTF-8 -- 或者 #coding=utf-8 就行了。
运行代码将会获取百度贴吧的html标题

三、使用正则表达式提取每个帖子的标题

观察源码你可以发现规律，每一个标题的都在”class=”j_th_tit “>**< a>”之间

既然观察出如下规律，我们就可以设计出相应的代码

#-*-coding:utf8-*-

import requests
import re

#下面三行是编码转换的功能，大家现在不用关心。
import sys
reload(sys)
sys.setdefaultencoding("utf-8")

html = requests.get('http://tieba.baidu.com/f?kw=大连理工大学城市学院&ie=utf-8&pn=0')

html.encoding = 'utf-8' #将编码转为utf-8FA防止中文乱码。

title = re.findall('class="j_th_tit ">(.*?)</a>',html.text,re.S)

for TITLE in title:
    print TITLE

执行结果：

在这里我们讲解下re.findall(‘class=”j_th_tit “>(.*?)’,html.text,re.S)

我们使用re.findall来进行数据匹对，根据规律设计出 class=”j _ th_tit “>(.?)< /a> ，其中（. ?）代表的意思是非贪心算法：各个排查

以上就是一个简单的 爬虫百度贴吧标题的程序，明天将会更新一篇关于更改Http 头获取源码，并且获取多页内容