http://www.kuqin.com/shuoit/20150424/345877.html
继续从酷勤网上学习相关python爬虫。
这次的代码是面向百度贴吧的爬虫
学习的过程中遇到的些许问题:
1.按照顺序逐渐添加代码的过程中,由于第一段代码的getPage()方法返回的是response,所以在后面添加代码的时候 page=self.getPage(1)
…………
result=re.search(pattern,page)
会报错
原因是由于,self.getPage(1)在之前的方法里返回的结果是response,正确应该返回response.read()或者 page=self.getPage(1).read()方能运行成功
2.result.group(1) 这里的group(1)是输出匹配的第一个内容,假如是group(0)则是输出所以匹配字段。
3.尝试从其他文件导入tool.py,发现用import tool 会出现找不到tool里的变量问题,而用from tool import *则没这种问题。ps.加入要从其他文件夹里引用文件,则需要在对应文件夹中加入_ inti _.py的文件。
新建一个init.py 的空文件,此时的该文件夹不再是一个普通的文件夹,而是一个包 package
4..py文件引入后会产生一个.pyc文件,方便下次引入,提高效率
5.re.compile()和re.sub()用起来挺方便的
__author__='pwp'
# -*- coding:utf-8 -*-
import urllib
import urllib2
import re
import time
#百度贴吧爬虫类
#处理页面标签类
class Tool:
#取出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>')
#把段落开头换位\n加两空格
replacePare = re.compile('<p.*?>')
#讲换行符或者双换行符替换成\n
replaceBR = re.compile('<br><br>|<br>')
#讲其余标签剔除
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.replacePare,"\n ",x)
x = re.sub(self.replaceBR,"\n",x)
x = re.sub(self.removeExtraTag,"",x)
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.seeFlag = str(seeLZ)
self.seeLZ = '?see_lz='+str(seeLZ)
#HTML标签剔除工具
self.tool = Tool()
#全局变量file,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,如果没成功获取标题的化就用这个标题
self.defaultTitle = u"百度贴吧"
#是否写入楼分隔符的标记
self.floorTag = floorTag
self.time=time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(time.time()))
#传入页面,获取该页帖子的代码
def getPage(self,pageNum):
try:
url = self.baseURL+self.seeLZ+'&pn='+str(pageNum)
request = urllib2.Request(url)
# print url
response = urllib2.urlopen(request)
# print response.read()
return response.read().decode('utf-8')
except urllib2.URLError, e:
if hasattr(e,"reason"):
print u"链接百度贴吧失败,错误原因",e.reason
return None
#获取帖子标题
def getTitle(self,page):
#page = self.getPage(1)
pattern = re.compile('<h3 class="core_title_txt.*?>(.*?)</h3>',re.S)
# pattern = re.compile('<li.*?class="l_reply_num.*?<span.*?class="red.*?<span.*?class="red">(.*?)</span>',re.S)
result = re.search(pattern,page)
if result:
# print result.group(1)
# print '1'
return result.group(1).strip()
else:
# print '2'
return None
def getPageNum(self,page):
# page = self.getPage(1)
pattern = re.compile('<li.*?class="l_reply_num.*?<span.*?class="red.*?<span.*?class="red">(.*?)</span>',re.S)
# pattern = re.compile('<div.*?id="post_content_.*?>(.*?)</div>',re.S)
result = re.search(pattern,page)
if result:
#print result.group(1).strip()
return result.group(1).strip()
else:
return None
def getContent(self,page):
#page = self.getPage(pageN)
pattern = re.compile('<div.*?id="post_content_.*?>(.*?)</div>',re.S)
items = re.findall(pattern,page)
contents=[]
#floor = 1
# print self.tool.replace(items[1])
for item in items:
# print floor,u"楼--------------------------------------------"
# print self.tool.replace(item)
# floor += 1
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None,即成功获取到标题
if title is not None:
if self.seeFlag == '1':
self.file = open(self.time+u"_只看楼主_"+title+".txt","w+")
else:
self.file = open(self.time+title+".txt","w+")
else :
if self.seeFlag == '1':
self.file = open(self.time+u"_只看楼主_"+self.defaultTitle+".txt","w+")
else:
self.file = open(self.time+self.defaultTitle+".txt","w+")
#self.file = open("只看楼主"+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"--------------------------------------------------------------------------"
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)+"页数据"
page = self.getPage(i)
contents = self.getContent(page)
self.writeData(contents)
#写入异常
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 = 'http://tieba.baidu.com/p/3138733512'
seeLZ = raw_input("是否只获取楼主发言,是输入1,否输入0\n")
floorTag = raw_input("输入写入楼层信息,是输入1,否输入0\n")
bdtb = BDTB(baseURL,seeLZ,floorTag)
bdtb.start()
#bdtb.getPage(1)
#bdtb.getTitle()
#bdtb.getPageNum()
#bdtb.getContent(1)
#bdtb.getContent(1)