百度贴吧的网络爬虫（v0.4）源码及解析

更新：感谢评论中朋友的提醒，百度贴吧现在已经改成utf-8编码了吧，需要把代码中的decode('gbk')改成decode('utf-8')。

 

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。

源码下载：

http://download.csdn.net/detail/wxg694175346/6925583

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：

<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：

 

    # -*- coding: utf-8 -*-  
    #---------------------------------------  
    #   程序：百度贴吧爬虫  
    #   版本：0.5  
    #   作者：why  
    #   日期：2013-05-16  
    #   语言：Python 2.7  
    #   操作：输入网址后自动只看楼主并保存到本地文件  
    #   功能：将楼主发布的内容打包txt存储到本地。  
    #---------------------------------------  
       
    import string  
    import urllib2  
    import re  
      
    #----------- 处理页面上的各种标签 -----------  
    class HTML_Tool:  
        # 用非 贪婪模式 匹配 	 或者 
 或者 空格 或者 超链接 或者 图片  
        BgnCharToNoneRex = re.compile("(	|
| |<a.*?>|<img.*?>)")  
          
        # 用非 贪婪模式 匹配 任意<>标签  
        EndCharToNoneRex = re.compile("<.*?>")  
      
        # 用非 贪婪模式 匹配 任意<p>标签  
        BgnPartRex = re.compile("<p.*?>")  
        CharToNewLineRex = re.compile("(<br/>|</p>|<tr>|<div>|</div>)")  
        CharToNextTabRex = re.compile("<td>")  
      
        # 将一些html的符号实体转变为原始符号  
        replaceTab = [("<","<"),(">",">"),("&","&"),("&","""),(" "," ")]  
          
        def Replace_Char(self,x):  
            x = self.BgnCharToNoneRex.sub("",x)  
            x = self.BgnPartRex.sub("
    ",x)  
            x = self.CharToNewLineRex.sub("
",x)  
            x = self.CharToNextTabRex.sub("	",x)  
            x = self.EndCharToNoneRex.sub("",x)  
      
            for t in self.replaceTab:    
                x = x.replace(t[0],t[1])    
            return x    
          
    class Baidu_Spider:  
        # 申明相关的属性  
        def __init__(self,url):    
            self.myUrl = url + '?see_lz=1'  
            self.datas = []  
            self.myTool = HTML_Tool()  
            print u'已经启动百度贴吧爬虫，咔嚓咔嚓'  
        
        # 初始化加载页面并将其转码储存  
        def baidu_tieba(self):  
            # 读取页面的原始信息并将其从gbk转码  
            myPage = urllib2.urlopen(self.myUrl).read().decode("gbk")  
            # 计算楼主发布内容一共有多少页  
            endPage = self.page_counter(myPage)  
            # 获取该帖的标题  
            title = self.find_title(myPage)  
            print u'文章名称：' + title  
            # 获取最终的数据  
            self.save_data(self.myUrl,title,endPage)  
      
        #用来计算一共有多少页  
        def page_counter(self,myPage):  
            # 匹配 "共有<span class="red">12</span>页" 来获取一共有多少页  
            myMatch = re.search(r'class="red">(d+?)</span>', myPage, re.S)  
            if myMatch:    
                endPage = int(myMatch.group(1))  
                print u'爬虫报告：发现楼主共有%d页的原创内容' % endPage  
            else:  
                endPage = 0  
                print u'爬虫报告：无法计算楼主发布内容有多少页！'  
            return endPage  
      
        # 用来寻找该帖的标题  
        def find_title(self,myPage):  
            # 匹配 <h1 class="core_title_txt" title="">xxxxxxxxxx</h1> 找出标题  
            myMatch = re.search(r'<h1.*?>(.*?)</h1>', myPage, re.S)  
            title = u'暂无标题'  
            if myMatch:  
                title  = myMatch.group(1)  
            else:  
                print u'爬虫报告：无法加载文章标题！'  
            # 文件名不能包含以下字符：  / ： * ? " < > |  
            title = title.replace('\','').replace('/','').replace(':','').replace('*','').replace('?','').replace('"','').replace('>','').replace('<','').replace('|','')  
            return title  
      
      
        # 用来存储楼主发布的内容  
        def save_data(self,url,title,endPage):  
            # 加载页面数据到数组中  
            self.get_data(url,endPage)  
            # 打开本地文件  
            f = open(title+'.txt','w+')  
            f.writelines(self.datas)  
            f.close()  
            print u'爬虫报告：文件已下载到本地并打包成txt文件'  
            print u'请按任意键退出...'  
            raw_input();  
      
        # 获取页面源码并将其存储到数组中  
        def get_data(self,url,endPage):  
            url = url + '&pn='  
            for i in range(1,endPage+1):  
                print u'爬虫报告：爬虫%d号正在加载中...' % i  
                myPage = urllib2.urlopen(url + str(i)).read()  
                # 将myPage中的html代码处理并存储到datas里面  
                self.deal_data(myPage.decode('gbk'))  
                  
      
        # 将内容从页面代码中抠出来  
        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("
","").encode('gbk'))  
                self.datas.append(data+'
')  
      
      
      
    #-------- 程序入口处 ------------------  
    print u"""#--------------------------------------- 
    #   程序：百度贴吧爬虫 
    #   版本：0.5 
    #   作者：why 
    #   日期：2013-05-16 
    #   语言：Python 2.7 
    #   操作：输入网址后自动只看楼主并保存到本地文件 
    #   功能：将楼主发布的内容打包txt存储到本地。 
    #--------------------------------------- 
    """  
      
    # 以某小说贴吧为例子  
    # bdurl = 'http://tieba.baidu.com/p/2296712428?see_lz=1&pn=1'  
      
    print u'请输入贴吧的地址最后的数字串：'  
    bdurl = 'http://tieba.baidu.com/p/' + str(raw_input(u'http://tieba.baidu.com/p/'))   
      
    #调用  
    mySpider = Baidu_Spider(bdurl)  
    mySpider.baidu_tieba()