[python3]爬虫实战二之爬取百度贴吧帖子

参考http://cuiqingcai.com/990.html。不过原文是python2.7。

大家好，上次我们实验了爬取了糗事百科的段子，那么这次我们来尝试一下爬取百度贴吧的帖子。与上一篇不同的是，这次我们需要用到文件的相关操作。

本篇目标

1.对百度贴吧的任意帖子进行抓取

2.指定是否只抓取楼主发帖内容

3.将抓取到的内容分析并保存到文件

1.URL格式的确定

首先，我们先观察一下百度贴吧的任意一个帖子。

比如：http://tieba.baidu.com/p/3138733512?see_lz=1&pn=1，这是一个关于NBA50大的盘点，分析一下这个地址。

1 2 3 4

http : //  代表资源传输使用http协议 tieba . baidu . com 是百度的二级域名，指向百度贴吧的服务器。 / p / 3138733512 是服务器某个资源，即这个帖子的地址定位符 see _lz和 pn是该 URL的两个参数，分别代表了只看楼主和帖子页码，等于 1表示该条件为真

所以我们可以把URL分为两部分，一部分为基础部分，一部分为参数部分。

例如，上面的URL我们划分基础部分是 http://tieba.baidu.com/p/3138733512，参数部分是 ?see_lz=1&pn=1

2.页面的抓取

熟悉了URL的格式，那就让我们用urllib2库来试着抓取页面内容吧。上一篇糗事百科我们最后改成了面向对象的编码方式，这次我们直接尝试一下，定义一个类名叫BDTB(百度贴吧)，一个初始化方法，一个获取页面的方法。

其中，有些帖子我们想指定给程序是否要只看楼主，所以我们把只看楼主的参数初始化放在类的初始化上，即init方法。另外，获取页面的方法我们需要知道一个参数就是帖子页码，所以这个参数的指定我们放在该方法中。

综上，我们初步构建出基础代码如下：

     

#!/usr/bin/env/python
#encoding:UTF-8

import re
import requests
import urllib


#百度贴吧爬虫类
class BDTB:
    def __init__(self, baseUrl, seeLZ):
        self.baseUrl = baseUrl
        self.seeLZ = '?see_lz='+str(seeLZ)
        self.headers =  {
        'User-Agent': r'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT) '
                    r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
         'Referer': r'https://www.qiushibaike.com/',
         'Connection': 'keep-alive'
        }

    #传入页码，获取该页码帖子的代码
    def getPage(self,pageNum):
        try:
            url = self.baseUrl+self.seeLZ+'&pn='+str(pageNum)
            req = urllib.request.Request(url, headers = self.headers)
            res = urllib.request.urlopen(req).read().decode()
            return res
        except urllib.error.URLError as e:
            if hasattr(e, "reason"):
                print("连接百度贴吧失败，错误原因：",e.reason)
                return None
            
 

baseURL = 'http://tieba.baidu.com/p/3138733512'

bdtb = BDTB ( baseURL , 1 )

bdtb . getPage ( 1 )

运行代码，我们可以看到屏幕上打印出了这个帖子第一页楼主发言的所有内容，形式为HTML代码。

3.提取相关信息

1）提取帖子标题

首先，让我们提取帖子的标题。

在浏览器中审查元素，或者按F12，查看页面源代码，我们找到标题所在的代码段，可以发现这个标题的HTML代码是

<h3 class="core_title_txt pull-left text-overflow  " title="纯原创我心中的NBA2014-2015赛季现役50大" style="width: 396px">纯原创我心中的NBA2014-2015赛季现役50大</h3>

所以我们想提取<h3>标签中的内容，同时还要指定这个class确定唯一，因为h3标签实在太多啦。

正则表达式如下

  pattern = re.compile('<h3 class="core_title_txt.*?title="(.*?)"',re.S)

     所以，我们增加一个获取页面标题的方法:

 #获取帖子标题
    def getTitle(self):
        page = self.getPage(1)
        pattern = re.compile('<h3 class="core_title_txt.*?title="(.*?)"',re.S)
        result = re.findall(pattern, page)
        print(result)
        if result:
            return result
        else:
            return None