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 224043浏览 217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 (505)or分享 (0)

想学更多爬虫知识?《Python3网络爬虫开发实战》这本书也许更适合你~

了解详情or立即购买

我的个人微信公众号

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
(217)个小伙伴在吐槽
  1. スーパーコピー - スーパーコピー ※お写真ではわかりにくい点が御座いまし たらお気軽にお問い合わせくださいませ。 ■実物写真、付属品を完備しております。 ■迅速、確実にお客様の手元にお届け致します。 ■低価格を提供すると共に、品質を絶対保証しております。 ■商品の交換と返品ができます。
  2. Hello! How can I contact Admin? fbnty55fe4
    asstyxmem2018-06-22 22:19 回复
  3. 为什么我最后写入的内容是这样的。。。python2.7
    落英2017-09-20 09:51 回复
  4. 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
  5. 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?
    Joker2017-09-13 23:08 回复
  6. 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
    Joker2017-09-13 00:13 回复
  7. 请问为什么你有时候用u“”,有时候直接用“”,按理说不是没区别么?是我哪里理解的还不到位么?请大佬回答一下,谢谢[/可爱]
    超人2017-08-12 19:54 回复
    • u是unicode
      小米君2017-08-19 12:22 回复
  8. start函数中的“for i in range(1,int(pageNum)+1):”里的range()是一个自带的库函数么?
    墨城2017-08-04 15:14 回复
    • 是的自带的
      84452017-08-16 16:55 回复
  9. eden214/PySpider/tree/master/SimpleSpiders,改写成了python3版的挂在github上供参考
    Eden2017-07-30 19:27 回复
  10. 感谢博主的教育 给想要学习的各位同学奉上最新的贴吧正则 1.pageNum pattern = re.compile('&lt;li class=l_reply_num.*?&lt;/span&gt;.*?&lt;span.*?&gt;(.*?)&lt;/span&gt;',re.S) 2.getContent pattern = re.compile('&lt;div id=post_content_.*?&gt;(.*?)&lt;/div&gt;',re.S) 3.getTitle pattern = re.compile('&lt;h3 class=core_title_txt.*?&gt;(.*?)&lt;/h3&gt;',re.S)
    黎明之前长夜之后2017-07-28 11:38 回复
  11. 就是return result[0].group(1).strip()
    子不语2017-07-28 00:11 回复
  12. 运行第一个抓取页面信息这个可以运行出来,但是在运行第二个添加标签和内容的时候,爬取出来的信息依旧是html,python无法解析i,完全是按照崔大大的思路进行爬取的,在网上查了资料,发现他们说需要使用beatiful或者其他的解析,这里有些疑惑
    子不语2017-07-26 22:03 回复
    • 解决了,列表插片
      子不语2017-07-28 00:09 回复
  13. 编码的问题,py文件头部指定utf-8,然后response.read().decode('utf-8'),还有就是打开txt文件的时候,指定utf-8,self.file = codecs.open(title + .txt, w+, 'utf-8') 亲测即可。 https://github.com/zslxbl/python_project_online/blob/master/python_project_online/baidutieba/baidutieba.py
    临安夜雨2017-07-03 00:04 回复
  14. 楼下的出编码错误的朋友。。我也不懂编码的问题,但是搜了一下貌似比较坑。如果不想纠结的话直接换个linux系统就没这个问题了。。。。
    Yukon2017-06-14 21:09 回复
  15. 你好,想请教下 re.compile('&lt;h1 class=core_title_txt.*?&gt;(.*?)&lt;/h1&gt;',re.S) 中 .*?&gt; 正则是啥意思 ,正则不太熟,求大神指点下
    ___Isaac2017-06-14 19:52 回复
1 8 9 10