python爬虫怎么爬贴吧_python爬虫入门 实战（二）---爬百度贴吧

本篇涉及知识点：

1、xpath语法

2、正则表达式

踩坑：

1、xpath解析出的结点文本内容中文乱码。

2、xpath解析时，结点内有多余标签，文本被截断。

3、用正则表达式匹配的分组输出乱码。

发送请求获取html文本内容

import urllib2

#目标url，这里see_lz=1代表只看楼主，pn=1代表页码为1

url='https://tieba.baidu.com/p/3267113128?see_lz=1&pn=1’

request=urllib2.Request(url)#封装请求

response=urllib2.urlopen(request)#打开url资源，得到响应

str_html=response.read()#读取html文本内容

response.close()#关闭资源

print str_html#打印html文本

我们看输出结果，这里中文是正常，没有乱码的：

html文本输出

xpath解析并获取每一个楼层的内容

1. 我们先来分析html文本结构

点击左边小红框的按钮再点击目标，即可查看到相应的标签。

楼层内容的标签

可以看到这个div有很明显的特征，id=“post_content_56723422722”，即id包括字段“post_content_”，我们可以直接用contains函数通过id来找到。

tree.xpath('//div[contains(@id,"post_content_")]']

不过为了保险起见，也为了多熟悉一下xpath解析的语法，我们多往上看两层。目标是class=“d_post_content_main ”的div下的一个class=“p_content ”的div里的cc标签下的唯一div。

所以我们可以用以下语句找到所有楼层的目标内容：

tree.xpath('//div[@class="d_post_content_main "]/div[@class="p_content "]/cc/div')

同理我们可以分析结构，解析得到相应的楼层号：

tree.xpath('//div[@class="d_post_content_main "]/div[@class="core_reply j_lzl_wrapper"]/div[@class="core_reply_tail clearfix"]/div[@class="post-tail-wrap"]/span[2]')

2. 获取每个楼层的内容

import urllib2

from lxml import html

url='https://tieba.baidu.com/p/3267113128?see_lz=1&pn=1'#目标url

request=urllib2.Request(url)#封装请求

response=urllib2.urlopen(request)#打开url资源，得到响应

str_html=response.read()#读取html文本内容

response.close()#关闭资源

tree=html.fromstring(str_html)

nodes=tree.xpath('//div[@class="d_post_content_main "]')#先找的所有的楼层再进一步解析楼层号码和内容

for node in nodes:

layer=node.xpath('div[@class="core_reply j_lzl_wrapper"]/div[@class="core_reply_tail clearfix"]/div[@class="post-tail-wrap"]/span[2]')[0].text

print layer#输出楼层号

content=node.xpath('div[@class="p_content "]/cc/div')[0].text

print content#输出楼层内容

这里就出现第一个坑了，前面输出html文本是没有中文乱码的，这里xpath解析完以后输出就中文乱码了。运行一下看输出结果：

xpath解析中文乱码

不过在python里内置了unicode字符类型，这是解决乱码问题的神器。将str类型的字符串转换成unicode字符类型就可以了。转换方法有两种：

s1 = u"字符串"

s2 = unicode("字符串", "utf-8")

想具体了解unicode和python里的乱码问题的，可以参考这一篇博客：关于Python的编码、乱码以及Unicode的一些研究

下面看修改后的代码：

注：因为一楼的div的class有两个，所以将获取每个楼层结点的代码改成有contains函数

import urllib2

from lxml import html

url='https://tieba.baidu.com/p/3267113128?see_lz=1&pn=1'#目标url

request=urllib2.Request(url)#封装请求

response=urllib2.urlopen(request)#打开url资源，得到响应

str_html=response.read()#读取html文本内容

response.close()#关闭资源

str_html=unicode(str_html,'utf-8')#将string字符类型转换成unicode字符类型

tree=html.fromstring(str_html)

nodes=tree.xpath('//div[contains(@class,"d_post_content_main")]')#先找的所有的楼层再进一步解析楼层号码和内容

for node in nodes:

layer=node.xpath('div[@class="core_reply j_lzl_wrapper"]/div[@class="core_reply_tail clearfix"]/div[@class="post-tail-wrap"]/span[2]')[0].text

print layer#输出楼层号

content=node.xpath('div[@class="p_content "]/cc/div')[0].text

print content#输出楼层内容

运行可以看到结果里有一些楼层的输出内容不完整，这就是第二个坑：

楼层不完整

我们返回浏览器查看结构，可以发现，原来是这个div里有其他标签(a和br)，不是纯文本的。这里就可以用string函数来过滤掉多余的标签。

在前面的代码里，输出楼层的语句换成：

content=node.xpath('div[@class="p_content "]/cc/div')[0]

content_txt=content.xpath('string(.)')#用string函数过滤掉多余子标签，.代表本结点

print content_txt#输出楼层内容

但是br也被过滤掉了，有些楼层有分序号的输出结果也是一行，看着不方便。我们可以用正则表达式匹配上数字序号，并在之前插入换行符“\n”。re模块的sub是匹配并替换字符串的方法。python中正则表达式的更多使用可以参考Python正则表达式指南。

re_num=re.compile('([0-9]\.)') #匹配所有的数字序号(数字后通常跟".")，加上括号作为分组1，这样可以进行替换的时候用上

for node in nodes:

layer=node.xpath('div[@class="core_reply j_lzl_wrapper"]/div[@class="core_reply_tail clearfix"]/div[@class="post-tail-wrap"]/span[2]')[0].text

print layer#输出楼层号

content=node.xpath('div[@class="p_content "]/cc/div')[0]

content_txt=content.xpath('string(.)')

content_txt=re.sub(re_num,'\n\1',content_txt) #将目标匹配替换成换行符+本身分组(也就是分组1)

print content_txt #输出楼层内容

但输出结果显示，换行成功了，数字序号成了乱码。这里是第三个坑，漏掉了一个小地方。

修改倒数第二句为：

content_txt=re.sub(re_num,r'\n\1',content_txt)#加上一个字母'r'

这个“r”是代表防止字符转义，也就是“original”原生字符。关于正则中字符的转义，有兴趣的同学可以google、百度。

接下来我们简单将代码写成面向对象的风格。完整代码如下：

import urllib2

from lxml import html

import re

class BaiduTieba:

url_base='https://tieba.baidu.com/p/3267113128?see_lz='

file = open("../text/bdtb.txt","w+")

def __init__(self,see_lz):#see_lz=1表示只看楼主

self.url_base=self.url_base+see_lz

def setPage(self,page):

self.url=self.url_base+'&pn='+page#目标url

def printPage(self):

request=urllib2.Request(self.url)#封装请求

response=urllib2.urlopen(request)#打开url资源，得到响应

str_html=response.read()#读取html文本内容

response.close()#关闭资源

str_html=unicode(str_html,'utf-8')#将string字符类型转换成unicode字符类型

tree=html.fromstring(str_html)

nodes=tree.xpath('//div[contains(@class,"d_post_content_main")]')#先找的所有的楼层再进一步解析楼层号码和内容

re_num=re.compile('([0-9]\.)')

for node in nodes:

layer=node.xpath('div[@class="core_reply j_lzl_wrapper"]/div[@class="core_reply_tail clearfix"]/div[@class="post-tail-wrap"]/span[2]')[0].text

self.file.write("\n")

self.file.write("vvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvv\n")

self.file.write("------------------------------------------------------------------------------------\n")

self.file.write(" "+layer.encode("utf-8")+" \n")

self.file.write("------------------------------------------------------------------------------------\n")

content=node.xpath('div[@class="p_content "]/cc/div')[0]

content_txt=content.xpath('string(.)')

content_txt=re.sub(re_num,r'\n\1',content_txt)

self.file.write(content_txt.encode("utf-8"))#输出楼层内容

self.file.write("------------------------------------------------------------------------------------\n")

crawl_bdtb=BaiduTieba("1")

for i in range(5):#爬5页

crawl_bdtb.setPage(str(i+1))

crawl_bdtb.printPage()

爬取结果截图：

爬取结果

参考