python3抓取百度贴吧帖子

'''
Created on 2016年3月31日

@author: yawenchen
'''

# -*- coding:utf-8 -*-
from urllib.error import HTTPError,URLError
import urllib.request
import re
import urllib.parse

#处理页面标签类
class Tool:
    #去除img标签，7位长空格  ，{m}匹配前一个字符m次
    removeImg = re.compile('<img.*?>| {7}|')   

    #删除超链接标签
    removeAddr = re.compile('<a.*?>|</a>')
    
    #把换行的标签换成\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()
    


#百度贴吧爬虫类
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):
        #base链接地址
        self.baseURL = baseUrl
        #是否只看楼主
        self.seeLZ = '?see_lz'+str(seeLZ)
        #html标签剔除工具类对象
        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"
        #是否写入楼层分割符的标记
        self.floorTag = floorTag
    
    #传入页码，获取该页帖子的代码
    def getPage(self,pageNum):
        try:
            #构建URL
            url = self.baseURL + self.seeLZ + '&pn=' + str(pageNum)
            request = urllib.request.Request(url)
            response = urllib.request.urlopen(request)
            #返回utf-8格式编码内容
            return response.read().decode('utf-8')
        except URLError as e:
            if hasattr(e,"reason"):
                print("连接百度贴吧失败，错误原因：",e.reason)
                return None

    #获取帖子标题
    def getTitle(self,page):
        #得到标题的正则表达式
        pattern = re.compile('<h3 class="core_title_txt.*?>(.*?)</h3>',re.S)
        result = re.search(pattern,page)
        if result:
#             print("标题：",result.group(1))  #测试输出
            #如果标题存在，则返回标题
            return result.group(1).strip()
        else:
            return None

    #获取帖子一共有多少页
    def getPageNum(self,page):
        #获取帖子页数的正则表达式
        pattern = re.compile('<li class="l_reply_num.*?<span.*?>(.*?)</span>', re.S)
        result = re.search(pattern,page)
        if result:
#             print("帖子一共有页数：",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):
        #匹配所有楼层的内容
        pattern = re.compile('<div id="post_content_.*?>(.*?)</div>', re.S)
        items = re.findall(pattern, page)
        contents = []
        for item in items:
            #将文本进行去除标签处理，同时在前后加入换行符
            content = "\n"+self.tool.replace(item)+"\n"
#             contents.append(content.encode("utf-8"))
            contents.append(content)
        return contents

    def setFileTitle(self,title):
        #如果标题不是None，即成功获得标题
        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):
        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):
            for i in range(1,10):
                print("正在写入第"+str(i)+"页数据")
                page = self.getPage(i)
                contents = self.getContent(page)
                self.writeData(contents)
        #出现写入异常
        except IOError as 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/' + str(input(u'http://tieba.baidu.com/p/'))
baseURL = "http://tieba.baidu.com/p/3138733512"
seeLZ = input("是否只获取楼主发言，是输入1，否输入0\n")      #输入1
floorTag = input("是否写入楼层信息，是输入1，否输入0\n")     #输入1
bdtb = BDTB(baseURL,seeLZ,floorTag)
bdtb.start()

源码下载

参考链接：http://cuiqingcai.com/993.html