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。
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
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