爬虫-百度贴吧帖子

目的

1. 对百度贴吧的任意帖子进行抓取
2. 指定是否只抓取楼主发帖内容
3. 将抓取到的内容分析并保存到文件

过程

URL格式分析

比如：http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1，这是一个关于NBA50大的盘点，分析一下这个地址。

1. http://  代表资源传输使用http协议
2.tieba.baidu.com 是百度的二级域名，指向百度贴吧的服务器。
3. /p/3138733512 是服务器某个资源，即这个帖子的地址定位符
4. see_lz和pn是该URL的两个参数，分别代表了只看楼主和帖子页码，等于1表示该条件为真

页面的抓取分析

直接上代码洛，测试通过了：

`
# -*- coding: utf-8-*-
__author__ = "a958832776"

import urllib
import urllib2
import re
#处理页面标签类
class Tool:
     #去除img标签,7位长空格
    removeImg = re.compile('<img.*?>| {7}|')
    #删除超链接标签
    removeAddr = re.compile('<a.*?>|</a>')
    #把换行的标签换为\n
    replaceLine = re.compile('<tr>|<div>|</div>|</p>')
    #将表格制表<td>替换为\t
    replaceTD= re.compile('<td>')
    #把段落开头换为\n加空两格
    replacePara = re.compile('<p.*?>')
    #将换行符或双换行符替换为\n
    replaceBR = re.compile('<br><br>|<br>')
    #将其余标签剔除
    removeExtraTag = re.compile('<.*?>')
    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)
        #strip()将前后多余内容删除
        return x.strip()

#百度贴吧爬虫
class baidutiebaclass:
    #构造函数
    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
    #获取帖子代码
    def getPage(self,pageNum):
        try:
            url=self.baseUrl+self.seeLZ+'&pn='+str(pageNum)
            request=urllib2.Request(url)
            response=urllib2.urlopen(request)
           # print response.read();
            return response.read().decode("utf-8");
        except urllib2.URLError,e:
            if hasattr(e,"reason"):
                print u"连接百度贴吧失败，错误原因： ",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
    #获取每一层楼的内容,传入页面内容
    def getContent(self,page):
        pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
        items = re.findall(pattern,page)
        contents=[]
        for item in items:
           # print item
           content="\n"+self.tool.replace(item)+"\n"
           #如果出错把这个打印注释的
           print content
           contents.append(content.encode('utf-8'))
        return contents
    def setFileTitle(self,title):
        #如果标题不是为None，即成功获取到标题
        if title is not None:
            self.file = open(title + ".txt","w+")
        else:
            self.file = open(self.defaultTitle + ".txt","w+")

    def writeData(self,contents):
        #向文件写入每一楼的信息
        for item in contents:
            if self.floorTag == '1':
                #楼之间的分隔符
                floorLine = "\n" + str(self.floor) + u"-----------------------------------------------------------------------------------------\n"
                self.file.write(floorLine)
            self.file.write(item)
            self.floor += 1
    def start(self):
        #从第一页代码中获取页数和标题
        page=self.getPage(1)
        pageNum=self.getPageNum(page)
        title=self.getTitle(page)
        self.setFileTitle(title);
        if pageNum==None:
            print u"连接失效...."
            return
        try:
            print u"该帖子共有"+str(pageNum).decode('utf-8')+u"页"
            for i in range(1,int(pageNum)+1):
                print u"正在写入第"+str(i).decode('utf-8')+u"页数据"
                pagecode=self.getPage(i)
                contents=self.getContent(pagecode);
                self.writeData(contents)
        except IOError,e:
            print u"写入异常，原因是： "+e.message
        finally:
            print u"写入任务完成"


print u"请输入帖子代号"
baseUrl='http://tieba.baidu.com/p/'+str(raw_input(u'http://tieba.baidu.com/p/'));
seeLZ=raw_input(u'释放只获取楼主发言，是输入1，否输入0\n')
floorTag=raw_input(u"是否写入楼层信息，是输入1，否输入0\n")
bdtb=baidutiebaclass(baseUrl,seeLZ,floorTag)
bdtb.start();


`

输入任意帖子id，然后根据提示操作，不明白的地方欢迎留言交流。。。