python贴吧回帖-Python爬虫爬取贴吧的帖子内容

#coding=utf-8#__author__ = 'Abel'

importurllibimporturllib2importre#处理页面标签类

classTool:#去除img标签,7位长空格

removeImg = re.compile('| {7}|')#删除超链接标签

removeAddr = re.compile('|')#把换行的标签换为

replaceLine = re.compile('

|

|')#将表格制表替换为

replaceTD= re.compile('

')#把段落开头换为 加空两格

replacePara = re.compile('

')#将换行符或双换行符替换为

replaceBR = re.compile('

|
')#将其余标签剔除

removeExtraTag = re.compile('<.*?>')defreplace(self,x):

x= re.sub(self.removeImg,"",x)

x= re.sub(self.removeAddr,"",x)

x= re.sub(self.replaceLine," ",x)

x= re.sub(self.replaceTD," ",x)

x= re.sub(self.replacePara," ",x)

x= re.sub(self.replaceBR," ",x)

x= re.sub(self.removeExtraTag,"",x)#strip()将前后多余内容删除

returnx.strip()#百度贴吧爬虫类

classBDTB:#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"

#是否写入楼分隔符的标记

self.floorTag =floorTag#传入页码，获取该页帖子的代码

defgetPage(self,pageNum):try:#构建URL

url = self.baseURL+ self.seeLZ + '&pn=' +str(pageNum)

request=urllib2.Request(url)

response=urllib2.urlopen(request)#返回UTF-8格式编码内容

return response.read().decode('utf-8')#无法连接，报错

excepturllib2.URLError, e:if hasattr(e,"reason"):print u"连接百度贴吧失败,错误原因",e.reasonreturnNone#获取帖子标题

defgetTitle(self,page):#得到标题的正则表达式

pattern = re.compile('

(.*?)

',re.S)

result=re.search(pattern,page)ifresult:#如果存在，则返回标题

return result.group(1).strip()else:returnNone#获取帖子一共有多少页

defgetPageNum(self,page):#获取帖子页数的正则表达式

pattern = re.compile('

.*?(.*?)',re.S)

result=re.search(pattern,page)ifresult:return result.group(1).strip()else:returnNone#获取每一层楼的内容,传入页面内容

defgetContent(self,page):#匹配所有楼层的内容

pattern = re.compile('

(.*?)

',re.S)

items=re.findall(pattern,page)

contents=[]for item initems:#将文本进行去除标签处理，同时在前后加入换行符

content = " "+self.tool.replace(item)+" "contents.append(content.encode('utf-8'))returncontentsdefsetFileTitle(self,title):#如果标题不是为None，即成功获取到标题

if title is notNone:

self.file= open(title + ".txt","w+")else:

self.file= open(self.defaultTitle + ".txt","w+")defwriteData(self,contents):#向文件写入每一楼的信息

for item incontents:if self.floorTag == '1':#楼之间的分隔符

floorLine = " " + str(self.floor) + u"----------------------------------------------------------------------------------------- "self.file.write(floorLine)

self.file.write(item)

self.floor+= 1

defstart(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)#出现写入异常

exceptIOError,e:print "写入异常，原因" +e.messagefinally:print "写入任务完成"

print u"请输入帖子代号"baseURL= 'http://tieba.baidu.com/p/3560761301' + str(raw_input(u'http://tieba.baidu.com/p/3560761301'))

seeLZ= raw_input("是否只获取楼主发言，是输入1，否输入0 ")

floorTag= raw_input("是否写入楼层信息，是输入1，否输入0 ")

bdtb=BDTB(baseURL,seeLZ,floorTag)

bdtb.start()