爬取百度貼吧帖子的內容,可以選擇是否只爬取樓主內容以及是否寫入樓層信息。
import urllib2
import urllib
import re
import os
#處理頁面標籤類
class Tool:
#去除img標籤,7位長空格
removeImg = re.compile('<img.*?>| {7}|')
#刪除超鏈接標籤
removeAddr = re.compile('<a.*?>|</a>')
#把換行的標籤換爲\n
replaceLine = re.compile('<tr>|<div>|</div>|</p>')
#將表格製表<td>替換爲\t
replaceTD= re.compile('<td>')
#把段落開頭換爲\n加空兩格
replacePara = re.compile('<p.*?>')
#將換行符或雙換行符替換爲\n
replaceBR = re.compile('<br><br>|<br>')
#將其餘標籤剔除
removeExtraTag = re.compile('<.*?>')
def replace(self,x):
x = re.sub(self.removeImg,"",x)
x = re.sub(self.removeAddr,"",x)
x = re.sub(self.replaceLine,"\n",x)
x = re.sub(self.replaceTD,"\t",x)
x = re.sub(self.replacePara,"\n ",x)
x = re.sub(self.replaceBR,"\n",x)
x = re.sub(self.removeExtraTag,"",x)
#strip()將前後多餘內容刪除
return x.strip()
#百度貼吧爬蟲類
class BDTB:
#初始化,傳入基地址,是否只看樓主的參數
def __init__(self,baseUrl,seeLZ,floorTag):
#base鏈接地址
self.baseURL = baseUrl
#是否只看樓主
self.seeLZ = '?see_lz='+str(seeLZ)
#HTML標籤剔除工具類對象
self.tool = Tool()
#全局file變量,文件寫入操作對象
self.file = None
#樓層標號,初始爲1
self.floor = 1
#默認的標題,如果沒有成功獲取到標題的話則會用這個標題
self.defaultTitle = u"百度貼吧"
#是否寫入樓分隔符的標記
self.floorTag = floorTag
#傳入頁碼,獲取該頁帖子的代碼
def getPage(self,pageNum):
try:
#構建URL
url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)
request = urllib2.Request(url)
response = urllib2.urlopen(request)
#返回UTF-8格式編碼內容
return response.read().decode('utf-8')
#無法連接,報錯
except urllib2.URLError, e:
if hasattr(e,"reason"):
print u"連接百度貼吧失敗,錯誤原因",e.reason
return None
#獲取帖子標題
def getTitle(self,page):
#得到標題的正則表達式
pattern = re.compile('<h1 class="core_title_txt.*?>(.*?)</h1>',re.S)
result = re.search(pattern,page)
if result:
#如果存在,則返回標題
return result.group(1).strip()
else:
return None
#獲取帖子一共有多少頁
def getPageNum(self,page):
#獲取帖子頁數的正則表達式
pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)
result = re.search(pattern,page)
if result:
return result.group(1).strip()
else:
return None
#獲取每一層樓的內容,傳入頁面內容
def getContent(self,page):
#匹配所有樓層的內容
pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)
items = re.findall(pattern,page)
contents = []
for item in items:
#將文本進行去除標籤處理,同時在前後加入換行符
content = "\n"+self.tool.replace(item)+"\n"
contents.append(content.encode('utf-8'))
return contents
def setFileTitle(self,title):
#如果標題不是爲None,即成功獲取到標題
if title is not None:
self.file = open(title + ".txt","w+")
else:
self.file = open(self.defaultTitle + ".txt","w+")
def writeData(self,contents):
#向文件寫入每一樓的信息
for item in contents:
if self.floorTag == '1':
#樓之間的分隔符
floorLine = "\n" + str(self.floor) + u"-----------------------------------------------------------------------------------------\n"
self.file.write(floorLine)
self.file.write(item)
self.floor += 1
def start(self):
indexPage = self.getPage(1)
pageNum = self.getPageNum(indexPage)
title = self.getTitle(indexPage)
self.setFileTitle(title)
if pageNum == None:
print "URL已失效,請重試"
return
try:
print "該帖子共有" + str(pageNum) + "頁"
for i in range(1,int(pageNum)+1):
print "正在寫入第" + str(i) + "頁數據"
page = self.getPage(i)
contents = self.getContent(page)
self.writeData(contents)
#出現寫入異常
except IOError,e:
print "寫入異常,原因" + e.message
finally:
print "寫入任務完成"
print u"請輸入帖子代號"
baseURL = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))
seeLZ = raw_input("是否只獲取樓主發言,是輸入1,否輸入0\n")
floorTag = raw_input("是否寫入樓層信息,是輸入1,否輸入0\n")
bdtb = BDTB(baseURL,seeLZ,floorTag)
bdtb.start()
運行演示: