投稿    登录
  《Python3网络爬虫开发实战》赠书活动正在进行中!详情请戳赠书活动!欢迎参与!非常感谢!

Python爬虫实战二之爬取百度贴吧帖子

Python 崔庆才 238082浏览 87评论

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。

前言

亲爱的们,教程比较旧了,百度贴吧页面可能改版,可能代码不好使,八成是正则表达式那儿匹配不到了,请更改一下正则,当然最主要的还是帮助大家理解思路。

2016/12/2

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:

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。

20150219162232

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

所以我们想提取<h1>标签中的内容,同时还要指定这个class确定唯一,因为h1标签实在太多啦。

正则表达式如下

所以,我们增加一个获取页面标题的方法

2)提取帖子页数

同样地,帖子总页数我们也可以通过分析页面中的共?页来获取。所以我们的获取总页数的方法如下

3)提取正文内容

审查元素,我们可以看到百度贴吧每一层楼的主要内容都在<div id=”post_content_xxxx”></div>标签里面,所以我们可以写如下的正则表达式

相应地,获取页面所有楼层数据的方法可以写成如下方法

好,我们运行一下结果看一下

20150219235120

真是醉了,还有一大片换行符和图片符,好口怕!既然这样,我们就要对这些文本进行处理,把各种各样复杂的标签给它剔除掉,还原精华内容,把文本处理写成一个方法也可以,不过为了实现更好的代码架构和代码重用,我们可以考虑把标签等的处理写作一个类。

那我们就叫它Tool(工具类吧),里面定义了一个方法,叫replace,是替换各种标签的。在类中定义了几个正则表达式,主要利用了re.sub方法对文本进行匹配后然后替换。具体的思路已经写到注释中,大家可以看一下这个类

在使用时,我们只需要初始化一下这个类,然后调用replace方法即可。

现在整体代码是如下这样子的,现在我的代码是写到这样子的

我们尝试一下,重新再看一下效果,这下经过处理之后应该就没问题了,是不是感觉好酸爽!

20150220000103

4)替换楼层

至于这个问题,我感觉直接提取楼层没什么必要呀,因为只看楼主的话,有些楼层的编号是间隔的,所以我们得到的楼层序号是不连续的,这样我们保存下来也没什么用。

所以可以尝试下面的方法:

1.每打印输出一段楼层,写入一行横线来间隔,或者换行符也好。

2.试着重新编一个楼层,按照顺序,设置一个变量,每打印出一个结果变量加一,打印出这个变量当做楼层。

这里我们尝试一下吧,看看效果怎样

把getContent方法修改如下

运行一下看看效果

20150220000947

嘿嘿,效果还不错吧,感觉真酸爽!接下来我们完善一下,然后写入文件

4.写入文件

最后便是写入文件的过程,过程很简单,就几句话的代码而已,主要是利用了以下两句

file = open(“tb.txt”,”w”)

file.writelines(obj)

这里不再赘述,稍后直接贴上完善之后的代码。

5.完善代码

现在我们对代码进行优化,重构,在一些地方添加必要的打印信息,整理如下

现在程序演示如下

20150220012351

 

完成之后,可以查看一下当前目录下多了一个以该帖子命名的txt文件,内容便是帖子的所有数据。

抓贴吧,就是这么简单和任性!

转载请注明:静觅 » Python爬虫实战二之爬取百度贴吧帖子

喜欢 (516)or分享 (0)

我的个人微信公众号,联系我请直接在公众号留言即可~

扫码或搜索:进击的Coder

进击的Coder

微信公众号 扫一扫关注

想结交更多的朋友吗?

来进击的Coder瞧瞧吧

进击的Coder

QQ群号 99350970 立即加入

进击的Coder灌水太多?

这里是纯粹的技术领地

激进的Coder

QQ群号 627725766 立即加入

您的支持是博主写作最大的动力,如果您喜欢我的文章,感觉我的文章对您有帮助,请狠狠点击下面的

发表我的评论
取消评论
表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址
(87)个小伙伴在吐槽
  1. mixing arginine with viagra [url=http://viagrabs.com]buy sildenafil[/url] viagra buy shop.
    buy viagra2018-12-10 08:42 (2天前)回复
  2. 当社は海外最高級のルイヴィトン スーパーコピー 代引き人気老舗です.世界一流ルイヴィトン コピー,ルイヴィトン 財布 コピー , ルイヴィトン 長財布 コピー代引きなどの商品や情報が満載しています.品質が上質ですし,価格が安いです. シャネル財布通販弊社はシャネル激安品の取り扱いをしております。 全ての高品質商品を低価格で販売しております。コピーブランド品の完璧な品質を維持するために、 弊社のコピーブランド品は本物と同じ素材を採用しています。本物と区別できない高い品質です 弊社はシャネルの商品特に大人気のシャネル時計j12の種類を豊富に取り揃えます。 シャネル時計、シャネルレプリカのシャネルコピー品の品質よくて、デザインなどが現物 と同じで、激安価格でご提供します 最高級ウブロコピー激安人気販売中!世界大人気激安ウブロ スーパーコピー時計新 作品を探していますか. ウブロ スーパーコピーは本物ウブロ時計に負けない!本物同等品質を持つウブロレプリカ通販中 [url=https://www.jpbrandok.com]スーパーコピー腕時計[/url]
  3. ルイヴィトンコピー品第1店 販売専門店 ★真のスーパーコピー品質をお届けするルイヴィトンブランドコピー! ※価値あるブランドスーパーコピー財布、バッグのヴィトンコピー※ ■品質重視なブランドコピー商品販売! ★高級品☆┃時計┃バッグ┃財 布┃その他┃ ◆★ 誠実★信用★顧客は至上 ●在庫情報随時更新! 品質がよい 価格が低い 実物写真 品質を重視 100%品質保証 100%満足保障 信用第一 ★人気最新品┃特恵中┃☆腕時計、バッグ、財布、ベルト、靴、帽子、アクセサリー、小物☆ ★当店商品送料無料日本全国! ※全物品激安,到着するのは迅速で、安全。 ■あなたの訪問のを期待しています!☆ヽ(▽⌒) 会社名称 ルイヴィトンコピーN品第1店 ホームページ上でのご注文は24時間受け付けております
  4. スーパーは専売店をコピーします 日本の最高級のスーパーマーケットはブランド時計超特便宜通信販売専売店をコピーして、品質よくコピーを表して、2018最も新作、国際ブランドの腕時計はコピーして、業界は唯一ただ2全くありません.世界の1流の高い品質のブランドは時計をコピーして、当店のスーパーは時計専売店をコピーして、以下の世界の1流のブランドを販売して時計をコピーします:ロレックスはコピーして、ウブロはコピーして、オメガはコピーして、シャネルはコピーします...なぜかというと最高な品質のスーパーマーケットはN級の品物をコピーして新作を表して最も商品に新しく着いて、第1を使いを信じて、安心してください、全国の運賃が無料です! 新旧(の程度)の顧客がお願いするのを歓迎します
  5. 我这个是啥子问题哟-。- F:\works\zkecopro\zkecopro_envs\django_python11\Python27\python.exe F:/DjangoProjects/demo_spider/the_2.py 5 该帖子共有5页 正在写入第1页数据 正在写入第2页数据 正在写入第3页数据 正在写入第4页数据 Traceback (most recent call last): File F:/DjangoProjects/demo_spider/the_2.py, line 130, in &lt;module&gt; bdtb.start() File F:/DjangoProjects/demo_spider/the_2.py, line 110, in start page = self.get_page(i) File F:/DjangoProjects/demo_spider/the_2.py, line 47, in get_page return response.read().decode('utf-8') File F:\works\zkecopro\zkecopro_envs\django_python11\Python27\lib\socket.py, line 355, in read data = self._sock.recv(rbufsize) File F:\works\zkecopro\zkecopro_envs\django_python11\Python27\lib\httplib.py, line 573, in read return self._read_chunked(amt) File F:\works\zkecopro\zkecopro_envs\django_python11\Python27\lib\httplib.py, line 627, in _read_chunked raise IncompleteRead(''.join(value)) httplib.IncompleteRead: IncompleteRead(3722 bytes read) 写入任务完成 Process finished with exit code 1
    灵瞳2018-01-15 15:52 回复
  6. 为什么我最后写入的内容是这样的。。。python2.7
    匿名2017-09-20 09:51 回复
  7. https://github.com/wzhzzmzzy/Python-Spider-Workbook,添加了图片存储,不过异常处理没有写,可以参考
    匿名2017-09-19 23:41 回复
  8. 自己仿照博主的代码用python3.5写了一下放在了GitHub上,可以搜索516310189/PythonSpider在BDTB文件夹下,我遇到的问题写在了文件夹下的readme内,欢迎交流
    泪流干2017-09-14 22:37 回复
  9. 大才哥,我想请教一下,我的爬虫就是根据您的博客写的,但是程序完整跑下来之后发现txt文件里没有写入的内容是怎么回事?
    匿名2017-09-13 23:08 回复
  10. 大才哥,我想请教一下,我的爬虫就是完全跟着您的教程写的,但是完全跑一遍发现生成的txt文件里没有写入的文件,想请教一下是什么情况
    匿名2017-09-13 00:13 回复
  11. 交作业,完美运行。 __author__ = 'CQC' # -*- coding:utf-8 -*- import urllib import urllib2 import re class Tool: removeImg = re.compile(r'<img.*?>| {7}') removeAddr = re.compile(r'<a.*?>|</a>') replaceLine = re.compile(r'<tr>|<div>|</div>|</p>') replaceTD = re.compile(r'<td>') replacePara = re.compile(r'<p.*?>') replaceBR = re.compile(r'<br><br>|<br>') removeExtraTag = re.compile(r'<.*?>') 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) return x.strip() class BDTB: def __init__(self,baseURL,seeLZ): self.baseURL = baseURL self.seeLZ = "?see_lz=" + str(seeLZ) self.tool = Tool() self.file = None self.defaultTitle = u"百度贴吧" def getPage(self,pageNum): try: url = self.baseURL + self.seeLZ + "&pn=" + str(pageNum) request = urllib2.Request(url) response = urllib2.urlopen(request) return response.read().decode("utf-8") except urllib2.URLError,e: if hasattr(e,"reason"): print ("连接失败,原因:",e.reason) return None def getTitle(self,page): pattern = re.compile(r'<h3 class="core_title_txt pull-left text-overflow " title="(.*?)"',re.S) result = re.search(pattern,page) if result: print result.group(1) return result.group(1).strip() else: return None def getPageNum(self,page): pattern = re.compile(r'<li class="l_reply_num".*?<span class="red">.*?(.*?)</span>.*?</li>',re.S) result = re.search(pattern,page) if result: print(result.group(1)) return result.group(1).strip() else: return None def getContent(self,page): pattern = re.compile(r'<div id=.*?class="d_post_content j_d_post_content ".*?>(.*?)</div>.*?',re.S) items = re.findall(pattern,page) contents = [] for item in items: content = "\n" + self.tool.replace(item) + "\n" contents.append(content.encode("utf-8")) return contents def setFileTitle(self,title): if title is not None: self.file = open(title + ".txt","w+") else: self.file = open(self.defaultTitle + ",txt","w+") def writeData(self,contents): for item in contents: self.file.write(item) def start(self): indexPage = self.getPage(1) pageNum = self.getPageNum(indexPage) title = self.getTitle(indexPage) self.setFileTitle(title) if pageNum == None: print("请重试!") return try: print("该帖子共有" + str(pageNum) + "页") for i in range(1,int(pageNum) + 1): print("正在写入" + str(i) + "页数据") page = self.getPage(i) contents = self.getContent(page) self.writeData(contents) except IOError,e: print("写入异常,原因:" + e.emessage) finally: print("写入完成。") print("请输入帖子代号") baseURL = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/')) seeLZ = raw_input("是否只获取楼主信息,是输入1,否输入0\n") floorTag = raw_input("是否写入楼层信息,是输入1,否输入0\n&qu...
    静觅网友2017-09-09 17:59 回复
  12. http://blog.csdn.net/funj_/article/details/53038791,不知道现在有没有效
    匿名2017-08-23 22:05 回复
1 4 5 6