网络爬虫（四）：一个简单的百度贴吧的小爬虫

1. # -*- coding: utf-8 -*-  
2. #---------------------------------------  
3. #   程序：百度贴吧爬虫  
4. #   版本：0.1  
5. #   作者：why  
6. #   日期：2013-05-14  
7. #   语言：Python 2.7  
8. #   操作：输入带分页的地址，去掉最后面的数字，设置一下起始页数和终点页数。  
9. #   功能：下载对应页码内的所有页面并存储为html文件。  
10. #---------------------------------------  
11.    
12. import string, urllib2  
13.    
14. #定义百度函数  
15. def baidu_tieba(url,begin_page,end_page):     
16.     for i in range(begin_page, end_page+1):  
17.         sName = string.zfill(i,5) + '.html'#自动填充成六位的文件名  
18.         print '正在下载第' + str(i) + '个网页，并将其存储为' + sName + '......'  
19.         f = open(sName,'w+')  
20.         m = urllib2.urlopen(url + str(i)).read()  
21.         f.write(m)  
22.         f.close()  
23.    
24.    
25. #-------- 在这里输入参数 ------------------  
26.   
27. # 这个是山东大学的百度贴吧中某一个帖子的地址  
28. #bdurl = 'http://tieba.baidu.com/p/2296017831?pn='  
29. #iPostBegin = 1  
30. #iPostEnd = 10  
31.   
32. bdurl = str(raw_input(u'请输入贴吧的地址，去掉pn=后面的数字：\n'))  
33. begin_page = int(raw_input(u'请输入开始的页数：\n'))  
34. end_page = int(raw_input(u'请输入终点的页数：\n'))  
35. #-------- 在这里输入参数 ------------------  
36.    
37.   
38. #调用  
39. baidu_tieba(bdurl,begin_page,end_page)  

[Python]网络爬虫（七）：Python中的正则表达式教程

分类： 爬虫 Python 2013-05-15 13:29  1212人阅读  评论(0)  收藏  举报

目录(?)[+]

接下来准备用糗百做一个爬虫的小例子。

但是在这之前，先详细的整理一下Python中的正则表达式的相关内容。

正则表达式在Python爬虫中的作用就像是老师点名时用的花名册一样，是必不可少的神兵利器。

一、 正则表达式基础

1.1.概念介绍

正则表达式是用于处理字符串的强大工具，它并不是Python的一部分。

其他编程语言中也有正则表达式的概念，区别只在于不同的编程语言实现支持的语法数量不同。

它拥有自己独特的语法以及一个独立的处理引擎，在提供了正则表达式的语言里，正则表达式的语法都是一样的。

下图展示了使用正则表达式进行匹配的流程：

正则表达式的大致匹配过程是：

1.依次拿出表达式和文本中的字符比较，

2.如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败。

3.如果表达式中有量词或边界，这个过程会稍微有一些不同。

下图列出了Python支持的正则表达式元字符和语法：   

1.2. 数量词的贪婪模式与非贪婪模式

正则表达式通常用于在文本中查找匹配的字符串。

贪婪模式，总是尝试匹配尽可能多的字符；

非贪婪模式则相反，总是尝试匹配尽可能少的字符。

Python里数量词默认是贪婪的。

例如：正则表达式"ab*"如果用于查找"abbbc"，将找到"abbb"。

而如果使用非贪婪的数量词"ab*?"，将找到"a"。

1.3. 反斜杠的问题

与大多数编程语言相同，正则表达式里使用"\"作为转义字符，这就可能造成反斜杠困扰。

假如你需要匹配文本中的字符"\"，那么使用编程语言表示的正则表达式里将需要4个反斜杠"\\\\"：

第一个和第三个用于在编程语言里将第二个和第四个转义成反斜杠，

转换成两个反斜杠\\后再在正则表达式里转义成一个反斜杠用来匹配反斜杠\。

这样显然是非常麻烦的。

Python里的原生字符串很好地解决了这个问题，这个例子中的正则表达式可以使用r"\\"表示。

同样，匹配一个数字的"\\d"可以写成r"\d"。

有了原生字符串，妈妈再也不用担心我的反斜杠问题~

二、 介绍re模块

2.1.  Compile

Python通过re模块提供对正则表达式的支持。

使用re的一般步骤是：

Step1：先将正则表达式的字符串形式编译为Pattern实例。

Step2：然后使用Pattern实例处理文本并获得匹配结果（一个Match实例）。

Step3：最后使用Match实例获得信息，进行其他的操作。

我们新建一个re01.py来试验一下re的应用：

[python]  view plain copy

1. # -*- coding: utf-8 -*-  
2. #一个简单的re实例，匹配字符串中的hello字符串  
3.   
4. #导入re模块  
5. import re  
6.    
7. # 将正则表达式编译成Pattern对象，注意hello前面的r的意思是“原生字符串”  
8. pattern = re.compile(r'hello')  
9.    
10. # 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None  
11. match1 = pattern.match('hello world!')  
12. match2 = pattern.match('helloo world!')  
13. match3 = pattern.match('helllo world!')  
14.   
15. #如果match1匹配成功  
16. if match1:  
17.     # 使用Match获得分组信息  
18.     print match1.group()  
19. else:  
20.     print 'match1匹配失败！'  
21.   
22.   
23. #如果match2匹配成功  
24. if match2:  
25.     # 使用Match获得分组信息  
26.     print match2.group()  
27. else:  
28.     print 'match2匹配失败！'  
29.   
30.   
31. #如果match3匹配成功  
32. if match3:  
33.     # 使用Match获得分组信息  
34.     print match3.group()  
35. else:  
36.     print 'match3匹配失败！'  

可以看到控制台输出了匹配的三个结果：

下面来具体看看代码中的关键方法。

★ re.compile(strPattern[, flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。

第二个参数flag是匹配模式，取值可以使用按位或运算符'|'表示同时生效，比如re.I | re.M。

另外，你也可以在regex字符串中指定模式，

比如re.compile('pattern', re.I | re.M)与re.compile('(?im)pattern')是等价的。

可选值有：

•     re.I(全拼：IGNORECASE): 忽略大小写（括号内是完整写法，下同）
•    re.M(全拼：MULTILINE): 多行模式，改变'^'和'$'的行为（参见上图）
•     re.S(全拼：DOTALL): 点任意匹配模式，改变'.'的行为
•     re.L(全拼：LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
•     re.U(全拼：UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
•     re.X(全拼：VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

以下两个正则表达式是等价的：

[python]  view plain copy

1. # -*- coding: utf-8 -*-  
2. #两个等价的re匹配,匹配一个小数  
3. import re  
4.   
5. a = re.compile(r"""\d +  # the integral part 
6.                    \.    # the decimal point 
7.                    \d *  # some fractional digits""", re.X)  
8.   
9. b = re.compile(r"\d+\.\d*")  
10.   
11. match11 = a.match('3.1415')  
12. match12 = a.match('33')  
13. match21 = b.match('3.1415')  
14. match22 = b.match('33')   
15.   
16. if match11:  
17.     # 使用Match获得分组信息  
18.     print match11.group()  
19. else:  
20.     print u'match11不是小数'  
21.       
22. if match12:  
23.     # 使用Match获得分组信息  
24.     print match12.group()  
25. else:  
26.     print u'match12不是小数'  
27.       
28. if match21:  
29.     # 使用Match获得分组信息  
30.     print match21.group()  
31. else:  
32.     print u'match21不是小数'  
33.   
34. if match22:  
35.     # 使用Match获得分组信息  
36.     print match22.group()  
37. else:  
38.     print u'match22不是小数'  

re提供了众多模块方法用于完成正则表达式的功能。

这些方法可以使用Pattern实例的相应方法替代，唯一的好处是少写一行re.compile()代码，

但同时也无法复用编译后的Pattern对象。

这些方法将在Pattern类的实例方法部分一起介绍。

如一开始的hello实例可以简写为：

[html]  view plain copy

1. # -*- coding: utf-8 -*-  
2. #一个简单的re实例，匹配字符串中的hello字符串  
3. import re  
4.   
5. m = re.match(r'hello', 'hello world!')  
6. print m.group()  

re模块还提供了一个方法escape(string)，用于将string中的正则表达式元字符如*/+/?等之前加上转义符再返回

2.2. Match

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

属性：

1. string: 匹配时使用的文本。
2. re: 匹配时使用的Pattern对象。
3. pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
4. endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
5. lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
6. lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

方法：

1. group([group1, …])：
   获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。
2. groups([default])： 
   以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。
3. groupdict([default])：
   返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。
4. start([group])： 
   返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。
5. end([group])：
   返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。
6. span([group])：
   返回(start(group), end(group))。
7. expand(template)： 
   将匹配到的分组代入template中然后返回。template中可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。\id与\g<id>是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g<1>0。

下面来用一个py实例输出所有的内容加深理解：

[python]  view plain copy

1. # -*- coding: utf-8 -*-  
2. #一个简单的match实例  
3.   
4. import re  
5. # 匹配如下内容：单词+空格+单词+任意字符  
6. m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello world!')  
7.   
8. print "m.string:", m.string  
9. print "m.re:", m.re  
10. print "m.pos:", m.pos  
11. print "m.endpos:", m.endpos  
12. print "m.lastindex:", m.lastindex  
13. print "m.lastgroup:", m.lastgroup  
14.   
15. print "m.group():", m.group()  
16. print "m.group(1,2):", m.group(1, 2)  
17. print "m.groups():", m.groups()  
18. print "m.groupdict():", m.groupdict()  
19. print "m.start(2):", m.start(2)  
20. print "m.end(2):", m.end(2)  
21. print "m.span(2):", m.span(2)  
22. print r"m.expand(r'\g<2> \g<1>\g<3>'):", m.expand(r'\2 \1\3')  
23.    
24. ### output ###  
25. # m.string: hello world!  
26. # m.re: <_sre.SRE_Pattern object at 0x016E1A38>  
27. # m.pos: 0  
28. # m.endpos: 12  
29. # m.lastindex: 3  
30. # m.lastgroup: sign  
31. # m.group(1,2): ('hello', 'world')  
32. # m.groups(): ('hello', 'world', '!')  
33. # m.groupdict(): {'sign': '!'}  
34. # m.start(2): 6  
35. # m.end(2): 11  
36. # m.span(2): (6, 11)  
37. # m.expand(r'\2 \1\3'): world hello!  

2.3. Pattern

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern不能直接实例化，必须使用re.compile()进行构造，也就是re.compile()返回的对象。

Pattern提供了几个可读属性用于获取表达式的相关信息：

1. pattern: 编译时用的表达式字符串。
2. flags: 编译时用的匹配模式。数字形式。
3. groups: 表达式中分组的数量。
4. groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

可以用下面这个例子查看pattern的属性：

[python]  view plain copy

1. # -*- coding: utf-8 -*-  
2. #一个简单的pattern实例  
3.   
4. import re  
5. p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)  
6.    
7. print "p.pattern:", p.pattern  
8. print "p.flags:", p.flags  
9. print "p.groups:", p.groups  
10. print "p.groupindex:", p.groupindex  
11.    
12. ### output ###  
13. # p.pattern: (\w+) (\w+)(?P<sign>.*)  
14. # p.flags: 16  
15. # p.groups: 3  
16. # p.groupindex: {'sign': 3}  

下面重点介绍一下pattern的实例方法及其使用。

1.match

match(string[, pos[, endpos]]) | re.match(pattern, string[, flags])：

这个方法将从string的pos下标处起尝试匹配pattern；

如果pattern结束时仍可匹配，则返回一个Match对象；

如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。

pos和endpos的默认值分别为0和len(string)；

re.match()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。

注意：这个方法并不是完全匹配。

当pattern结束时若string还有剩余字符，仍然视为成功。

想要完全匹配，可以在表达式末尾加上边界匹配符'$'。

下面来看一个Match的简单案例：

[python]  view plain copy

1. # encoding: UTF-8  
2. import re  
3.    
4. # 将正则表达式编译成Pattern对象  
5. pattern = re.compile(r'hello')  
6.    
7. # 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None  
8. match = pattern.match('hello world!')  
9.    
10. if match:  
11.     # 使用Match获得分组信息  
12.     print match.group()  
13.    
14. ### 输出 ###  
15. # hello  

2.search
search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]): 
这个方法用于查找字符串中可以匹配成功的子串。

从string的pos下标处起尝试匹配pattern，

如果pattern结束时仍可匹配，则返回一个Match对象；

若无法匹配，则将pos加1后重新尝试匹配；

直到pos=endpos时仍无法匹配则返回None。

pos和endpos的默认值分别为0和len(string))；

re.search()无法指定这两个参数，参数flags用于编译pattern时指定匹配模式。

那么它和match有什么区别呢？

match()函数只检测re是不是在string的开始位置匹配，

search()会扫描整个string查找匹配，

match（）只有在0位置匹配成功的话才有返回，如果不是开始位置匹配成功的话，match()就返回none
例如：
print(re.match(‘super’, ‘superstition’).span())

会返回(0, 5)

print(re.match(‘super’, ‘insuperable’))

则返回None

search()会扫描整个字符串并返回第一个成功的匹配
例如：

print(re.search(‘super’, ‘superstition’).span())

返回(0, 5)
print(re.search(‘super’, ‘insuperable’).span())

返回(2, 7)

看一个search的实例：

[python]  view plain copy

1. # -*- coding: utf-8 -*-  
2. #一个简单的search实例  
3.   
4. import re  
5.    
6. # 将正则表达式编译成Pattern对象  
7. pattern = re.compile(r'world')  
8.    
9. # 使用search()查找匹配的子串，不存在能匹配的子串时将返回None  
10. # 这个例子中使用match()无法成功匹配  
11. match = pattern.search('hello world!')  
12.    
13. if match:  
14.     # 使用Match获得分组信息  
15.     print match.group()  
16.    
17. ### 输出 ###  
18. # world  

3.split

split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
按照能够匹配的子串将string分割后返回列表。

maxsplit用于指定最大分割次数，不指定将全部分割。

[python]  view plain copy

1. import re  
2.    
3. p = re.compile(r'\d+')  
4. print p.split('one1two2three3four4')  
5.    
6. ### output ###  
7. # ['one', 'two', 'three', 'four', '']  

4.findall

findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
搜索string，以列表形式返回全部能匹配的子串。

[python]  view plain copy

1. import re  
2.    
3. p = re.compile(r'\d+')  
4. print p.findall('one1two2three3four4')  
5.    
6. ### output ###  
7. # ['1', '2', '3', '4']  

5.finditer

finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

[html]  view plain copy

1. import re  
2.    
3. p = re.compile(r'\d+')  
4. for m in p.finditer('one1two2three3four4'):  
5.     print m.group(),  
6.    
7. ### output ###  
8. # 1 2 3 4  

6.sub

sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
使用repl替换string中每一个匹配的子串后返回替换后的字符串。 
当repl是一个字符串时，可以使用\id或\g<id>、\g<name>引用分组，但不能使用编号0。 
当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。 
count用于指定最多替换次数，不指定时全部替换。

[python]  view plain copy

1. import re  
2.    
3. p = re.compile(r'(\w+) (\w+)')  
4. s = 'i say, hello world!'  
5.    
6. print p.sub(r'\2 \1', s)  
7.    
8. def func(m):  
9.     return m.group(1).title() + ' ' + m.group(2).title()  
10.    
11. print p.sub(func, s)  
12.    
13. ### output ###  
14. # say i, world hello!  
15. # I Say, Hello World!  

7.subn

subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
返回 (sub(repl, string[, count]), 替换次数)。

[python]  view plain copy

1. import re  
2.    
3. p = re.compile(r'(\w+) (\w+)')  
4. s = 'i say, hello world!'  
5.    
6. print p.subn(r'\2 \1', s)  
7.    
8. def func(m):  
9.     return m.group(1).title() + ' ' + m.group(2).title()  
10.    
11. print p.subn(func, s)  
12.    
13. ### output ###  
14. # ('say i, world hello!', 2)  
15. # ('I Say, Hello World!', 2)  

至此，Python的正则表达式基本介绍就算是完成了^_^

 

[Python]网络爬虫（八）：糗事百科的网络爬虫（v0.2）源码及解析

分类： Python 爬虫 2013-05-15 20:59  1208人阅读  评论(7)  收藏  举报

项目内容：

用Python写的糗事百科的网络爬虫。

使用方法：

新建一个Bug.py文件，然后将代码复制到里面后，双击运行。

程序功能：

在命令提示行中浏览糗事百科。

原理解释：

首先，先浏览一下糗事百科的主页：http://www.qiushibaike.com/hot/page/1

可以看出来，链接中page/后面的数字就是对应的页码，记住这一点为以后的编写做准备。

然后，右击查看页面源码：

观察发现，每一个段子都用div标记，其中class必为content，title是发帖时间，我们只需要用正则表达式将其“扣”出来就可以了。

明白了原理之后，剩下的就是正则表达式的内容了，可以参照这篇博文：

http://blog.csdn.net/wxg694175346/article/details/8929576

运行效果：

[python]  view plain copy

1. # -*- coding: utf-8 -*-  
2. #---------------------------------------  
3. #   程序：糗百爬虫  
4. #   版本：0.2  
5. #   作者：why  
6. #   日期：2013-05-15  
7. #   语言：Python 2.7  
8. #   操作：输入quit退出阅读糗事百科  
9. #   功能：按下回车依次浏览今日的糗百热点  
10. #   更新：解决了命令提示行下乱码的问题  
11. #---------------------------------------  
12.    
13. import urllib2  
14. import urllib  
15. import re  
16. import thread  
17. import time  
18.   
19. #----------- 处理页面上的各种标签 -----------  
20. class HTML_Tool:  
21.     # 用非 贪婪模式 匹配 \t 或者 \n 或者 空格 或者 超链接 或者 图片  
22.     BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")  
23.       
24.     # 用非 贪婪模式 匹配 任意<>标签  
25.     EndCharToNoneRex = re.compile("<.*?>")  
26.   
27.     # 用非 贪婪模式 匹配 任意<p>标签  
28.     BgnPartRex = re.compile("<p.*?>")  
29.     CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")  
30.     CharToNextTabRex = re.compile("<td>")  
31.   
32.     # 将一些html的符号实体转变为原始符号  
33.     replaceTab = [("<","<"),(">",">"),("&","&"),("&","\""),(" "," ")]  
34.       
35.     def Replace_Char(self,x):  
36.         x = self.BgnCharToNoneRex.sub("",x)  
37.         x = self.BgnPartRex.sub("\n    ",x)  
38.         x = self.CharToNewLineRex.sub("\n",x)  
39.         x = self.CharToNextTabRex.sub("\t",x)  
40.         x = self.EndCharToNoneRex.sub("",x)  
41.   
42.         for t in self.replaceTab:  
43.             x = x.replace(t[0],t[1])  
44.         return x  
45. #----------- 处理页面上的各种标签 -----------  
46.   
47.   
48. #----------- 加载处理糗事百科 -----------  
49. class HTML_Model:  
50.       
51.     def __init__(self):  
52.         self.page = 1  
53.         self.pages = []  
54.         self.myTool = HTML_Tool()  
55.         self.enable = False  
56.   
57.     # 将所有的段子都扣出来，添加到列表中并且返回列表  
58.     def GetPage(self,page):  
59.         myUrl = "http://m.qiushibaike.com/hot/page/" + page  
60.         myResponse  = urllib2.urlopen(myUrl)  
61.         myPage = myResponse.read()  
62.         #encode的作用是将unicode编码转换成其他编码的字符串  
63.         #decode的作用是将其他编码的字符串转换成unicode编码  
64.         unicodePage = myPage.decode("utf-8")  
65.   
66.         # 找出所有class="content"的div标记  
67.         #re.S是任意匹配模式，也就是.可以匹配换行符  
68.         myItems = re.findall('<div.*?class="content".*?title="(.*?)">(.*?)</div>',unicodePage,re.S)  
69.         items = []  
70.         for item in myItems:  
71.             # item 中第一个是div的标题，也就是时间  
72.             # item 中第二个是div的内容，也就是内容  
73.             items.append([item[0].replace("\n",""),item[1].replace("\n","")])  
74.         return items  
75.   
76.     # 用于加载新的段子  
77.     def LoadPage(self):  
78.         # 如果用户未输入quit则一直运行  
79.         while self.enable:  
80.             # 如果pages数组中的内容小于2个  
81.             if len(self.pages) < 2:  
82.                 try:  
83.                     # 获取新的页面中的段子们  
84.                     myPage = self.GetPage(str(self.page))  
85.                     self.page += 1  
86.                     self.pages.append(myPage)  
87.                 except:  
88.                     print '无法链接糗事百科！'  
89.             else:  
90.                 time.sleep(1)  
91.           
92.     def ShowPage(self,q,page):  
93.         for items in q:  
94.             print u'第%d页' % page , items[0]  
95.             print self.myTool.Replace_Char(items[1])  
96.             myInput = raw_input()  
97.             if myInput == "quit":  
98.                 self.enable = False  
99.                 break  
100.           
101.     def Start(self):  
102.         self.enable = True  
103.         page = self.page  
104.   
105.         print u'正在加载中请稍候......'  
106.           
107.         # 新建一个线程在后台加载段子并存储  
108.         thread.start_new_thread(self.LoadPage,())  
109.           
110.         #----------- 加载处理糗事百科 -----------  
111.         while self.enable:  
112.             # 如果self的page数组中存有元素  
113.             if self.pages:  
114.                 nowPage = self.pages[0]  
115.                 del self.pages[0]  
116.                 self.ShowPage(nowPage,page)  
117.                 page += 1  
118.   
119.   
120. #----------- 程序的入口处 -----------  
121. print u""" 
122. --------------------------------------- 
123.    程序：糗百爬虫 
124.    版本：0.1 
125.    作者：why 
126.    日期：2013-05-15 
127.    语言：Python 2.7 
128.    操作：输入quit退出阅读糗事百科 
129.    功能：按下回车依次浏览今日的糗百热点 
130. --------------------------------------- 
131. """  
132.   
133.   
134. print u'请按下回车浏览今日的糗百内容：'  
135. raw_input(' ')  
136. myModel = HTML_Model()  
137. myModel.Start() 

 

[Python]网络爬虫（九）：百度贴吧的网络爬虫（v0.4）源码及解析

分类： 爬虫 Python 2013-05-16 13:48  1361人阅读  评论(10)  收藏  举报

百度贴吧的爬虫制作和糗百的爬虫制作原理基本相同，都是通过查看源码扣出关键数据，然后将其存储到本地txt文件。

项目内容：

用Python写的百度贴吧的网络爬虫。

使用方法：

新建一个BugBaidu.py文件，然后将代码复制到里面后，双击运行。

程序功能：

将贴吧中楼主发布的内容打包txt存储到本地。

原理解释：

首先，先浏览一下某一条贴吧，点击只看楼主并点击第二页之后url发生了一点变化，变成了：

http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1

可以看出来，see_lz=1是只看楼主，pn=1是对应的页码，记住这一点为以后的编写做准备。

这就是我们需要利用的url。

接下来就是查看页面源码。

首先把题目抠出来存储文件的时候会用到。

可以看到百度使用gbk编码，标题使用h1标记：

[html]  view plain copy

1. <h1 class="core_title_txt" title="【原创】时尚首席（关于时尚，名利，事业，爱情，励志）">【原创】时尚首席（关于时尚，名利，事业，爱情，励志）</h1>  

同样，正文部分用div和class综合标记，接下来要做的只是用正则表达式来匹配即可。

运行截图：

生成的txt文件：

[python]  view plain copy

1. # -*- coding: utf-8 -*-  
2. #---------------------------------------  
3. #   程序：百度贴吧爬虫  
4. #   版本：0.5  
5. #   作者：why  
6. #   日期：2013-05-16  
7. #   语言：Python 2.7  
8. #   操作：输入网址后自动只看楼主并保存到本地文件  
9. #   功能：将楼主发布的内容打包txt存储到本地。  
10. #---------------------------------------  
11.    
12. import string  
13. import urllib2  
14. import re  
15.   
16. #----------- 处理页面上的各种标签 -----------  
17. class HTML_Tool:  
18.     # 用非 贪婪模式 匹配 \t 或者 \n 或者 空格 或者 超链接 或者 图片  
19.     BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")  
20.       
21.     # 用非 贪婪模式 匹配 任意<>标签  
22.     EndCharToNoneRex = re.compile("<.*?>")  
23.   
24.     # 用非 贪婪模式 匹配 任意<p>标签  
25.     BgnPartRex = re.compile("<p.*?>")  
26.     CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")  
27.     CharToNextTabRex = re.compile("<td>")  
28.   
29.     # 将一些html的符号实体转变为原始符号  
30.     replaceTab = [("<","<"),(">",">"),("&","&"),("&","\""),(" "," ")]  
31.       
32.     def Replace_Char(self,x):  
33.         x = self.BgnCharToNoneRex.sub("",x)  
34.         x = self.BgnPartRex.sub("\n    ",x)  
35.         x = self.CharToNewLineRex.sub("\n",x)  
36.         x = self.CharToNextTabRex.sub("\t",x)  
37.         x = self.EndCharToNoneRex.sub("",x)  
38.   
39.         for t in self.replaceTab:    
40.             x = x.replace(t[0],t[1])    
41.         return x    
42.       
43. class Baidu_Spider:  
44.     # 申明相关的属性  
45.     def __init__(self,url):    
46.         self.myUrl = url + '?see_lz=1'  
47.         self.datas = []  
48.         self.myTool = HTML_Tool()  
49.         print u'已经启动百度贴吧爬虫，咔嚓咔嚓'  
50.     
51.     # 初始化加载页面并将其转码储存  
52.     def baidu_tieba(self):  
53.         # 读取页面的原始信息并将其从gbk转码  
54.         myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")  
55.         # 计算楼主发布内容一共有多少页  
56.         endPage = self.page_counter(myPage)  
57.         # 获取该帖的标题  
58.         title = self.find_title(myPage)  
59.         print u'文章名称：' + title  
60.         # 获取最终的数据  
61.         self.save_data(self.myUrl,title,endPage)  
62.   
63.     #用来计算一共有多少页  
64.     def page_counter(self,myPage):  
65.         # 匹配 "共有<span class="red">12</span>页" 来获取一共有多少页  
66.         myMatch = re.search(r'class="red">(\d+?)</span>', myPage, re.S)  
67.         if myMatch:    
68.             endPage = int(myMatch.group(1))  
69.             print u'爬虫报告：发现楼主共有%d页的原创内容' % endPage  
70.         else:  
71.             endPage = 0  
72.             print u'爬虫报告：无法计算楼主发布内容有多少页！'  
73.         return endPage  
74.   
75.     # 用来寻找该帖的标题  
76.     def find_title(self,myPage):  
77.         # 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出标题  
78.         myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)  
79.         title = u'暂无标题'  
80.         if myMatch:  
81.             title  = myMatch.group(1)  
82.         else:  
83.             print u'爬虫报告：无法加载文章标题！'  
84.         # 文件名不能包含以下字符： \ / ： * ? " < > |  
85.         title = title.replace('\\','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','')  
86.         return title  
87.   
88.   
89.     # 用来存储楼主发布的内容  
90.     def save_data(self,url,title,endPage):  
91.         # 加载页面数据到数组中  
92.         self.get_data(url,endPage)  
93.         # 打开本地文件  
94.         f = open(title+'.txt','w+')  
95.         f.writelines(self.datas)  
96.         f.close()  
97.         print u'爬虫报告：文件已下载到本地并打包成txt文件'  
98.         print u'请按任意键退出...'  
99.         raw_input();  
100.   
101.     # 获取页面源码并将其存储到数组中  
102.     def get_data(self,url,endPage):  
103.         url = url + '&pn='  
104.         for i in range(1,endPage+1):  
105.             print u'爬虫报告：爬虫%d号正在加载中...' % i  
106.             myPage = urllib2.urlopen(url + str(i)).read()  
107.             # 将myPage中的html代码处理并存储到datas里面  
108.             self.deal_data(myPage.decode('gbk'))  
109.               
110.   
111.     # 将内容从页面代码中抠出来  
112.     def deal_data(self,myPage):  
113.         myItems = re.findall('id="post_content.*?>(.*?)</div>',myPage,re.S)  
114.         for item in myItems:  
115.             data = self.myTool.Replace_Char(item.replace("\n","").encode('gbk'))  
116.             self.datas.append(data+'\n')  
117.   
118.   
119.   
120. #-------- 程序入口处 ------------------  
121. print u"""#--------------------------------------- 
122. #   程序：百度贴吧爬虫 
123. #   版本：0.5 
124. #   作者：why 
125. #   日期：2013-05-16 
126. #   语言：Python 2.7 
127. #   操作：输入网址后自动只看楼主并保存到本地文件 
128. #   功能：将楼主发布的内容打包txt存储到本地。 
129. #--------------------------------------- 
130. """  
131.   
132. # 以某小说贴吧为例子  
133. # bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1'  
134.   
135. print u'请输入贴吧的地址最后的数字串：'  
136. bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))   
137.   
138. #调用  
139. mySpider = Baidu_Spider(bdurl)  
140. mySpider.baidu_tieba()