python爬虫小项目: 爬取百度贴吧帖子

本文同样是基于静觅系列的python3.x版，具体步骤请前往静觅系列学习

关于encode()与decode()的问题：可以参照xanderzhang 及921800467的专栏

可完成静觅系列相同功能，正则表达式目前有效，源码如下：

#-*- coding:utf-8 -*-
import urllib.request
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()


class BDTB:
    #初始化，传入基地址，是否只看楼主的参数
    def __init__(self,baseUrl,seeLZ,floorTag):
        self.baseUrl=baseUrl
        self.seeLZ='?see_lz='+str(seeLZ)
        self.tool=TOOL()
        #全局file变量，文件写入操作对象
        self.file = None
        #楼层标号，初始为1
        self.floor = 1
        #默认的标题，如果没有成功获取到标题的话则会用这个标题
        self.defaultTitle = u"百度贴吧"
        #是否写入楼分隔符的标记
        self.floorTag = floorTag
    #传入页码，获取该页帖子的代码
    def getPage(self,pageNum):
        url=self.baseUrl+self.seeLZ+'&pn='+str(pageNum)
        request=urllib.request.Request(url)
        response=urllib.request.urlopen(request)
        #print(response.read())
        return response.read().decode('utf-8')
        #3.0现在的参数更改了,现在读取的是bytes-like的,但参数要求是chart-like的,加了个编码
    #获取帖子标题
    def getTitle(self,page):      
        pattern = re.compile('<h3 class="core_title_txt.*?>(.*?)</h3>',re.S)
        #re.s整体匹配
        result = re.search(pattern,page)
        if result:
            #print result.group(1)  #测试输出
            return result.group(1).strip()
        else:
            return None
    #获取帖子共有多少页
    def getPageNum(self,page):
        pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)
        result = re.search(pattern,page)
        if result:
        #print result.group(1)  #测试输出
            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)
        #以列表形式返回匹配的字符串
        contents=[]
        for item in items:
            content="\n"+self.tool.replace(item)+"\n"
            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","wb")
        else:
            self.file = open(self.defaultTitle + ".txt","wb")
            
    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.encode())
            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
        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) + "页数据")
            page = self.getPage(i)
            contents = self.getContent(page)
            self.writeData(contents)
        print(u"写入任务完成")        
print(u"请输入帖子代号")
baseURL = 'http://tieba.baidu.com/p/' + str(input(u'http://tieba.baidu.com/p/'))
seeLZ = input("是否只获取楼主发言，是输入1，否输入0\n")
floorTag = 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()