最近，我們這邊需要做一次防爬蟲和機器蜘蛛的困擾，感覺困惑，有點無從入手，倒不如，直接用Python來寫一個Spiner理解其各種原理，再下手也不遲啊，於是便立刻去寫一個爬蟲程序。
使用方法：
新建一個BugBaidu.py文件，然後將代碼複製到裏面後，雙擊運行。
程序功能：
將貼吧中樓主發佈的內容打包txt存儲到本地。
好，不廢話，直接上代碼：
#!/usr/bin/python
#-*- coding: utf-8 -*-
import string
import urllib2
import re
# ----------- 處理頁面上的各種標籤 -----------
class HTML_Tool:
# 用非 貪婪模式 匹配 \t 或者 \n 或者 空格 或者 超鏈接 或者 圖片
BgnCharToNoneRex = re.compile("(\t|\n| |<a.*?>|<img.*?>)")
# 用非 貪婪模式 匹配 任意<>標籤
EndCharToNoneRex = re.compile("<.*?>")
# 用非 貪婪模式 匹配 任意<p>標籤
BgnPartRex = re.compile("<p.*?>")
CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")
CharToNextTabRex = re.compile("<td>")
# 將一些html的符號實體轉變爲原始符號
replaceTab = [("<", "<"), (">", ">"), ("&", "&"), ("&", "\""), (" ", " ")]
def Replace_Char(self, x):
x = self.BgnCharToNoneRex.sub("", x)
x = self.BgnPartRex.sub("\n ", x)
x = self.CharToNewLineRex.sub("\n", x)
x = self.CharToNextTabRex.sub("\t", x)
x = self.EndCharToNoneRex.sub("", x)
for t in self.replaceTab:
x = x.replace(t[0], t[1])
return x
class Yzw_Spider:
# 申明相關的屬性
def __init__(self, url):
self.myUrl = url + '?see_lz=1'
self.datas = []
self.myTool = HTML_Tool()
print u'已經啓動爬蟲，咔嚓咔嚓'
# 初始化加載頁面並將其轉碼儲存
def yzw_tieba(self):
# 讀取頁面的原始信息並將其從utf-8轉碼
myPage = urllib2.urlopen(self.myUrl).read().decode("utf-8")
# 計算樓主發佈內容一共有多少頁
endPage = self.page_counter(myPage)
# 獲取該帖的標題
title = self.find_title(myPage)
print u'文章名稱：' + title
# 獲取最終的數據
self.save_data(self.myUrl, title, endPage)
# 用來計算一共有多少頁
def page_counter(self, myPage):
# 匹配 "共有<span class="red">12</span>頁" 來獲取一共有多少頁
myMatch = re.search(r'class="red">(\d+?)</span>', myPage, re.S)
if myMatch:
endPage = int(myMatch.group(1))
print u'爬蟲報告：發現樓主共有%d頁的原創內容' % endPage
else:
endPage = 0
print u'爬蟲報告：無法計算樓主發佈內容有多少頁！'
return endPage
# 用來尋找該帖的標題
def find_title(self, myPage):
# 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出標題
myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)
title = u'暫無標題'
if myMatch:
title = myMatch.group(1)
else:
print u'爬蟲報告：無法加載文章標題！'
# 文件名不能包含以下字符： \ / ： * ? " < > |
title = title.replace('\\', '').replace('/', '').replace(':', '').replace('*', '').replace('?', '').replace('"',
'').replace(
'>', '').replace('<', '').replace('|', '')
return title
# 用來存儲樓主發佈的內容
def save_data(self, url, title, endPage):
# 加載頁面數據到數組中
self.get_data(url, endPage)
# 打開本地文件
f = open(title + '.txt', 'w+')
f.writelines(self.datas)
f.close()
print u'爬蟲報告：文件已下載到本地並打包成txt文件'
print u'請按任意鍵退出...'
raw_input();
# 獲取頁面源碼並將其存儲到數組中
def get_data(self, url, endPage):
url = url + '&pn='
for i in range(1, endPage + 1):
print u'爬蟲報告：爬蟲%d號正在加載中...' % i
myPage = urllib2.urlopen(url + str(i)).read()
# 將myPage中的html代碼處理並存儲到datas裏面
self.deal_data(myPage.decode('utf-8'))
# 將內容從頁面代碼中摳出來
def deal_data(self, myPage):
myItems = re.findall('id="post_content.*?>(.*?)</div>', myPage, re.S)
for item in myItems:
data = self.myTool.Replace_Char(item.replace("\n", "").encode('gbk'))
self.datas.append(data + '\n')
# -------- 程序入口處 ------------------
print u"""#---------------------------------------
# 程序：一站網爬蟲
# 語言：Python 2.7
# 操作：輸入網址後自動只看樓主並保存到本地文件
# 功能：將樓主發佈的內容打包txt存儲到本地。
#---------------------------------------
"""
# 以某熱點推薦爲例子
# bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1'
print u'請輸入熱點的地址最後的數字串：'
bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))
# 調用
mySpider = Yzw_Spider(bdurl)
mySpider.yzw_tieba()最後，得出的是一個.txt的文檔，但裏面有我需要爬下來的內容，如圖：
就這樣一個爬蟲程序就OK了